Penerapan Data Mining Untuk Klasifikasi Perilaku Pengguna Twitter Terhadap 5 Gempa Bumi Terbesar di Indonesia Tahun 2019 Ditinjau Dari Model Psikologi Dynamic Disaster Model Dan Rumor Theory
Sosial media dapat digunakan sebagai sumber informasi untuk perilaku dan reaksi orang-orang di sosial media pada saat terjadinya bencana. Tweet yang dibuat di sosial media Twitter pada saat kejadian tersebut dapat menjadi sumber pembelajaran psikologi. Penelitian ini menggunakan model psikologi Dyna...
Saved in:
Summary: | Sosial media dapat digunakan sebagai sumber informasi untuk perilaku dan reaksi orang-orang di sosial media pada saat terjadinya bencana. Tweet yang dibuat di sosial media Twitter pada saat kejadian tersebut dapat menjadi sumber pembelajaran psikologi. Penelitian ini menggunakan model psikologi Dynamic Disaster Model dan Rumor Theory untuk mengklasifikasikan perilaku pengguna Twitter pada saat 5 gempa bumi terbesar tahun 2019. Pada model Dynamic Disaster Model, penelitian ini melakukan data-mining dan mengklasifikasikan tweet dari pengguna terpilih berdasarkan 6 klasifikasi perilaku yang berbeda dari Dynamic Disaster Model. Dalam Rumor Theory, penelitian ini melakukan data-mining dan mengklasifikasikan tweet dari pengguna tiga hari setelah terjadinya bencana berdasarkan dari penyebaran berita (news), opini (opinion), dan hoax. Klasifikasi tweet awalnya dilakukan secara manual melalui pendapat peneliti dan psikolog. Kemudian klasifikasi dilakukan dengan empat metode klasifikasi (Naïve Bayes, Support Vector Machines (SVM), Logistic Regression, Random Forest) dan empat karakteristik (Count Vector, Word-level TF-IDF, N-Gram TF-IDF, Character-Level TF-IDF). Untuk klasifikasi Dynamic Disaster Model, tidak ada satu pun metode klasifikasi yang mempunyai akurasi di atas 50% karena kekurangan informasi dari perilaku pengguna dalam suatu teks. Untuk klasifikasi Rumor Theory, metode klasifikasi yang paling baik adalah Logistic Regression dengan menggunakan karakteristik Character-Level TF-IDF dengan akurasi 80% yang dapat diperbaiki lebih lanjut dengan data yang lebih banyak. |
---|