Pemanfaatan Metode Multiclass-SVM pada Model Klasifikasi Pesan Bencana Banjir di Twitter

Abstract

Musibah bencana alam banjir merupakan salah satu musibah alam yang sangat umum kejadian di Indonesia baik di pulau Jawa ataupun di luar Pulau Jawa. Sumber informasi dari media social Twitter dapat digunakan sebagai Social Network Sensor (SNS) untuk bencana banjir. Penelitian ini bertujuan untuk melakukan klasifikasi pesan twitter khususnya tentang bencana banjir sebagai hasil dari algoritma machine learning. Pada klasifikasi pesan bencana banjir dilakukan serangkaian proses data preprocessing dan dilanjutkan dengan ekstraksi fitur dan pembobotan kata dari data twitter. Berbagai teknik yang dilakukan pada proses data preprocessing berpengaruh terhadap tingkat akurasi hasil klasifikasi yang dihasilkan. Selanjutnya, penelitian ini menyampaikan bahwa algoritma Support Vector Machine (SVM) adalah sebuah algoritma dapat dimanfaatkan untuk klasifikasi data ke dalam tiga (3) kelas kelas saksi mata, kelas non saksi mata dan kelas tidak diketahui. Total jumlah data yang telah diolah sebanyak 3000 data untuk 3 kelas label data. Pendekatan metode One Versus One (OVO) untuk dua kelas label data dan One Versus All (OVA) untuk lebih dari dua kelas label pada algoritma SVM. Pada penelitian ini telah diterapkan algoritma Support Vector Machine untuk multiclass dengan metode OVA. Hasil eksperimen telah menunjukkan pendekatan OVA pada algoritma SVM dengan kernel RBF menghasilkan evaluasi performansi yang paling tinggi. Hasil evaluasi tersebut adalah nilai akurasi hingga 87.03%. Sedangkan hasil riset sebelumnya dengan algoritma SVM tetapi pendekatan yang berbeda hanya mencapai nilai akurasi hingga 77.87%.

Sentiment Analysis of Flood Disaster Management in Jakarta on Twitter Using Support Vector Machines

“…Multilayer SVM with the OVA method was used in this study. In comparison to previous studies and methods, the OVA method with RBF multiplier has a classification accuracy value of 87.03% (Kartika Delimayanti et al, 2021).…”

Perbandingan Metode Support Vector Machine dan Logistic Regression untuk Klasifikasi Bencana Alam

“…Beberapa metode juga telah digunakan untuk melakukan klasifikasi seperti Metode Multiclass SVM untuk klasifikasi pesan bencana banjir, Hasil eksperimen mendapatkan hasil performa 87.03% menggunakan algoritma SVM dengan kernel RBF [7]. Pada penelitian lain Algoritma Random Forest digunakan untuk klasifikasi Buzzer atau Bot di twitter [8], penelitian ini menghasilkan nilai akurasi sebesar 98%.…”

Text Message Classification using Multiclass Support Vector Machine on Information Service Chatbot in the Informatics Department UPN “Veteran” Yogyakarta

“…Penelitian tentang penggunaan algoritma multiclass SVM telah dilakukan pada penelitian Delimayanti, dkk. yang mendapatkan tingkat akurasi 87,03% dengan kernel RBF yang berbasis pada Gaussian dan menggunakan metode One Versus All (OVA) [17]. Penelitian lainnya yang menggunakan SVM dengan kernel yang sama dilakukan oleh Kusumahadi, Junaedi & Santoso untuk melakukan klasifikasi tiket helpdesk mendapatkan akurasi sebesar 81% dengan pendekatan multiclass OVA [12].…”