Bilah Samping Artikel

Telah diserahkan
Mar 10, 2023
Diterima
Apr 12, 2023
Diterbitkan
May 30, 2023
Download
PDF
Statistic
Read Counter : 519 Download : 489

Isi Artikel Utama

Abstrak

Bencana alam di Indonesia beberapa diantaranya adalah banjir, gempa bumi, erupsi dan lainnya. Dalam menghadapi hal tersebut, pengelompokan jenis bencana menjadi sangat krusial untuk menetapkan langkah dan rencana yang sesuai. Teknologi dapat digunakan untuk memudahkan proses pengelompokan tersebut, salah satunya dengan memanfaatkan teknik text mining. Pengelompokan informasi dilakukan dengan memasukan kebeberapa klaster dengan dasar keterkaitan antar kata menggunakan algoritma K-Means. Dalam penelitian ini, bertujuan untuk menghasilkan sebuah model pengelompokan bencana alam di Indonesia dengan menerapkan algoritma K-Means. Analisa didasari oleh data komentar masyarakat tentang bencana alam di media sosial Twitter. Penggunaan metode text mining dengan aplikasi RStudio berhasil melakukan pengelompokan bencana alam berdasarkan potensi dan jenisnya dari data komentar masyarakat di media sosial twitter. Setelah melakukan text cleaning, text processing, dan metode TF-IDF, diketahui bahwa banjir dan gempa merupakan topik bencana alam tertinggi dari penambangan data tersebut. Metode unsupervised dengan algoritma K-Means digunakan untuk membangun kelompok topik berdasarkan jarak keterkaitan antar kata-kata. Evaluasi dilakukan menggunakan metode Sum of Square Error dan Silhoutte Coefficient, dan diperoleh akurasi sebesar 75.0% dan 96.7%. Simpulan bahwa algoritma K-Means berhasil membangun kelompok topik berdasarkan jarak keterkaitan antar kata-kata pada data komentar masyarakat tentang bencana alam di twitter.

Kata Kunci

Clustering Data Mining K-Means Natural disasters Text Mining Twitter Bencana Alam Clustering Data Mining K-Means Text Mining Twitter

Rincian Artikel

Cara Mengutip
[1]
I. Alfian, “Penerapan Metode K-Means Dalam Melakukan Pengelompokan Bencana Alam di Indonesia Dilakukan dengan Memanfaatkan Teknik Text Mining”, Jurnal Algoritma, vol. 20, no. 1, hlm. 139–147, Mei 2023.
Unduh Sitasi
Endnote/Zotero/Mendeley (RIS)

References

  1. S. M. Hutabarat and A. Sindar, “Data Mining Penjualan Suku Cadang Sepeda Motor Menggunakan Algoritma K-Means,” J. Nas. Komputasi dan Teknol. Inf., vol. 2, no. 2, p. 126, 2019, doi: 10.32672/jnkti.v2i2.1555.
  2. H. Irsyad and M. R. Pribadi, “Implementasi Text Mining Dalam Pengelompokan Data Tweet Pertanian Indonesia Dengan K-Means,” KURAWAL J. Teknol. Inf. dan Ind., vol. 3, no. 2, pp. 164”“172, 2020, [Online]. Available: https://t.co/FXtzMcbdHp
  3. D. A. Manalu and G. Gunadi, “Implementasi Metode Data Mining K-Means Clustering Terhadap Data Pembayaran Transaksi Menggunakan Bahasa Pemrograman Python Pada Cv Digital Dimensi,” Infotech J. Technol. Inf., vol. 8, no. 1, pp. 43”“54, 2022, doi: 10.37365/jti.v8i1.131.
  4. E. Susanto, V. C. Mawardi, and M. D. Lauro, “APLIKASI CLUSTERING BERITA DENGAN METODE K MEANS DAN PERINGKAS BERITA DENGAN METODE MAXIMUM MARGINAL RELEVANCE,” J. Ilmu Komput. dan Sist. Inf., vol. 9, no. 1, 2021, doi: 10.24912/jiksi.v9i1.11560.
  5. M. F. H. Adi and Y. A. Susetyo, “Pemetaan Potensi Bencana di Jawa Tengah Menggunakan Google Maps API dan KML dengan Metode,” Indones. J. Comput. Model., 2018.
  6. Taufiq Al Ashfahani Qodrifuddin et al., “Peningkatan Pemahaman Masyarakat terhadap Bahaya dan Dampak Bencana Alam Serta Penanggulangannya,” J. Pengabdi. Magister Pendidik. IPA, vol. 5, no. 1, 2022, doi: 10.29303/jpmpi.v5i1.1400.
  7. F. M. Faruk, F. M. Faruk, F. S. Doven, and B. Budyanra, “PENERAPAN METODE REGRESI LOGISTIK BINER UNTUK MENGETAHUI DETERMINAN KESIAPSIAGAAN RUMAH TANGGA DALAM MENGHADAPI BENCANA ALAM,” Semin. Nas. Off. Stat., vol. 2019, no. 1, 2020, doi: 10.34123/semnasoffstat.v2019i1.146.
  8. F. A. Alijoyo and Y. Munawar, “Faktor Yang Mempengaruhi Maturitas Manajemen Risiko Organisasi Di Indonesia,” Bina Ekon., vol. 23, no. 1, pp. 67”“79, 2021, doi: 10.26593/be.v23i1.4366.67-79.
  9. M. A. Ayu, E. Irawan, and T. Mantoro, “Text mining approaches for analyzing an Indonesian tafseer and translation of the Holy Quran,” Indones. J. Electr. Eng. Comput. Sci., vol. 25, no. 3, pp. 1469”“1480, 2022, doi: 10.11591/ijeecs.v25.i3.pp1469-1480.
  10. Y. Sunoto and B. Wasito, “Analisis Testimonial Wisatawan Menggunakan Text Mining Dengan Metode Naive Bayes Dan Decision Tree , Studi Kasus Pada Hotel ”“ Hotel Di Jakarta,” J. Inform. dan Bisnis Anal., vol. 3, no. 2, pp. 39”“49, 2014.
  11. I. Olive, D. Putra, K. R. Prilianti, P. Lucky, and T. Irawan, “Implementasi Text Mining untuk Analisis Layanan Transportasi Online dengan Analisis Faktor,” J. SimanteC, vol. 8, no. 2, pp. 1”“9, 2020.
  12. L. Rahmawati, S. Widya Sihwi, and E. Suryani, “Analisa Clustering Menggunakan Metode K-Means Dan Hierarchical Clustering (Studi Kasus : Dokumen Skripsi Jurusan Kimia, Fmipa, Universitas Sebelas Maret),” J. Teknol. Inf. ITSmart, vol. 3, no. 2, p. 66, 2020, doi: 10.20961/its.v3i2.654.
  13. B. Harahap, “Penerapan Algoritma K-Means Untuk Menentukan Bahan Bangunan Laris (Studi Kasus Pada UD. Toko Bangunan YD Indarung),” pp. 394”“403, 2019.
  14. S. J. Patandianan, G. M. Putra, and H. S. Pakpahan, “Implementasi Metode K-Means untuk Pengelompokkan Rekomendasi Tugas Akhir,” vol. 16, no. 1, 2021.
  15. S. M. Fani, R. Santoso, and S. Suparti, “Penerapan Text Mining Untuk Melakukan Clustering Data Tweet Akun Blibli Pada Media Sosial Twitter Menggunakan K-Means Clustering,” J. Gaussian, vol. 10, no. 4, pp. 583”“593, 2021, doi: 10.14710/j.gauss.v10i4.30409.