Pemetaan Lokasi Kejadian dalam Sistem Deteksi Kejadian dengan Data Twitter Menggunakan Teori Graf
DOI:
https://doi.org/10.28926/briliant.v5i2.472Keywords:
Sistem deteksi kejadian, twitter, FASM, graphAbstract
Sistem deteksi kejadian dengan data twitter sebagai data masukannya telah banyak diteliti sebelumnya. Suatu informasi kejadian dapat dikategorikan sebagai kejadian penting adalah jika minimal terdapat informasi lokasi/tempat kejadian. Dalam sebuah tweet, seringkali terdapat lebih dari satu entitas lokasi kejadian karena kejadiannya memiliki dampak lebih dari satu titik lokasi. Hal ini berarti ada keterhubungan atau relasi antar lokasi kejadian sehingga diperlukan cara merubah relasi yang berupa teks ke dalam bentuk graf. Selain itu, banyak juga suatu informasi kejadian menulis entitas lokasi yang dengan ejaan yang berbeda atau terdapat kesalahan penulisan. Hal ini menyulitkan pemetaan lokasi terjadinya kejadian ke dalam maps karena entitas lokasi tidak terdapat di dalam gazetteer. Maka dari itu, diperlukan standardisasi entitas nama lokasi kejadian dengan Fast Approximate String Matching (FASM) dan mengkonversi relasi antar lokasi ke dalam graf. Dalam penelitian ini menunjukkan bahwa merubah relasi antar lokasi ke dalam bentuk graf yang sebelumnya telah dilakukan standardisasi entitas nama lokasi sangat memudahkan sistem dalam pemetaan atau memvisualisasikan informasi lokasi kejadian ke dalam GoogleMaps.References
Garbe, W. (2015). Fast approximate string matching with large edit distances in Big Data. Retrieved March 25, 2018, from http://blog.faroo.com/2015/03/24/fast-approximate-string-matching-with-large-edit-distances/
[Accessed: 25-Mar-2020]
Gelernter, J., & Balaji, S. (2013). An algorithm for local geoparsing of microtext. GeoInformatica, 17(4), 635–667. https://doi.org/10.1007/s10707-012-0173-8
Gu, Y., Qian, Z., & Chen, F. (2016). From Twitter to detector: Real-time traffic incident detection using social media data. Transportation Research Part C: Emerging Technologies, 67, 321–342. https://doi.org/10.1016/j.trc.2016.02.011
Hagberg, A., Schult, D., & Swart, P. (2018). NetworkX Reference.
Hasby, M., Khodra, M. L., & Purwarianti, A. (2013). Optimal Path Finding based on Traffic Information Extraction from Twitter. In Prosiding International COnference on ICT for Smart Smart Society.
Li, J., He, Z., Plaza, J., Li, S., Chen, J., Wu, H., … Liu, Y. (2017). Social Media: New Perspectives to Improve Remote Sensing for Emergency Response. Proceedings of the IEEE, 105(10), 1900–1912. https://doi.org/10.1109/JPROC.2017.2684460
Putra, F., & Fatichah, C. (2018). Klasifikasi jenis kejadian menggunakan kombinasi NeuroNER dan Recurrent Convolutional Neural Network pada data Twitter, 4(2), 81–90.
