PENERAPAN TEXT MINING UNTUK KLASIFIKASI BERDASARKAN KATEGORI BENCANA ALAM
Keywords:
text mining, disaster reports, SVM algorithmAbstract
The increasing frequency of natural disasters requires efficient solutions for managing information quickly and accurately. Text mining has become an effective method for disaster report classification, especially through data analysis from social media like Twitter. This study involves preprocessing data, sentiment analysis, and testing with algorithms such as Naïve Bayes, Support Vector Machine (SVM), and logistic regression. Based on the results, the SVM algorithm achieves the highest accuracy in classifying disaster reports. This text mining-based approach has the potential to become a vital tool for supporting rapid disaster response and improving decision-making processes.
Downloads
References
Aditya, B. R. (2015). Penggunaan web crawler untuk menghimpun tweets dengan metode pre-processing text mining. Jurnal Infotel, 7(2), 93–96. Diakses dari https://media.neliti.com/media/publications/103176-ID-penggunaan-web-crawler-untuk-menghimpun.pdf
Anggana, H. D., & lainnya. (2018). Penerapan model klasifikasi regresi logistik, support vector machine, classification and regression tree terhadap data kejadian difteri di Provinsi Jawa Barat. Euclid, 5(2), 20–30. DOI: 10.33603/e.v5i2.1121
Anita, M., Susanto, B., & Larwuy, L. (2023). Perbandingan metode random forest dan naïve bayes dalam email spam filtering. Kubik: Jurnal Publikasi Ilmiah Matematika, 9(1), 18933–18940. Diakses dari
https://journal.uinsgd.ac.id/index.php/kubik/article/view/18933
Bawono, B., & Wasono, R. (2019). Perbandingan metode random forest dan naïve bayes untuk klasifikasi debitur berdasarkan kualitas kredit. Jurnal Ilmiah Teknologi Informasi, 9(2), 343–350. Diakses dari
https://prosiding.unimus.ac.id/index.php/edusaintek/article/download/336/339
Cahyani, X. P. (2021). Perbandingan performa algoritma naïve bayes, SVM, dan random forest dalam analisis sentimen pengguna sosial media. Jurnal Informatika, 7(2), 2402–2410. Diakses dari
https://jurnal.darmajaya.ac.id/index.php/JurnalInformatika/article/view/2402
Domala, A., Nasution, R., & Sari, D. (2024). Natural disaster monitoring information system from social media using text mining approach. e-Proceeding of Engineering, 11(3), 1987–1995. Diakses dari https://repositori.telkomuniversity.ac.id
Durrah, D. F., Cahyandari, R., & Awalluddin, A. S. (2020). Model regresi data panel terbaik untuk faktor penentu laba neto perusahaan asuransi umum syariah di Indonesia. Kubik: Jurnal Publikasi Ilmiah Matematika, 5(1), 28–34.
Fitri, A., & lainnya. (2019). Analisis sentimen di media sosial menggunakan algoritma naïve bayes dan random forest pada kampanye anti LGBT di Indonesia. Jurnal Teknologi Informasi, 15(1), 45–52.
Fitriani, D., & Sari, R. (2023). Twitter sentiment analysis of post-natural disasters using text mining techniques. International Journal of Disaster Risk Reduction, 50, 101–110.
Gabriela, R., Hidayati, N., & Prabowo, A. (2022). Perbandingan naïve bayes dan random forest dalam klasifikasi bahasa daerah. Jatisi, 9(2), 855–863. Diakses dari https://jurnal.mdp.ac.id/index.php/jatisi/article/view/1857
Hasan, M., & Rahardjo, B. (2022). Classification of natural disaster on online news data using support vector machine. International Journal of Computer Applications, 182(6), 1–8.
Khan, M. M. (2021). Crawling Twitter data through API: A technical/legal perspective. arXiv. Diakses dari https://arxiv.org/abs/2105.10724
Komara, D. A., & Hadiapurwa, A. (2022). Automating Twitter data collection: A RapidMiner-based crawling solution. PUBLIS Journal, 6(2), 48–58. DOI: https://doi.org/10.24269/pls.v6i2.6326
Mauldy, A., Rahman, A., & Putra, E. (2024). Classification of natural disaster reports from social media using K-Means SMOTE and multinomial naïve bayes. Jurnal Cosine, 10(1), 1–12. Diakses dari https://jcosine.if.unram.ac.id
Nugroho, R. A., & Tilaar, H. A. R. (2023). Analisis sentimen menggunakan algoritma naïve bayes pada data Twitter terkait isu sosial. Jurnal Ilmu Komputer, 10(1), 55–65. Diakses dari https://jurnal.ilkom.unsoed.ac.id/index.php/jik/article/view/789
Pramono, A., & Dwi, R. (2021). Analisis sentimen menggunakan TextBlob dan enhanced lexicon pada data Twitter. Jurnal Teknologi Informasi, 9(2), 100–110. Diakses dari https://journal.teknologiinformasi.com/index.php/jti/article/view/123
Riawati, N. (2020). Teknik preprocessing pada text mining menggunakan data tweet. Jurnal Ilmu Komputer dan Informasi, 6(1), 45–50. Diakses dari https://journal.umkendari.ac.id/index.php/decode/article/view/131
Sari, A., & Rahman, H. (2022). Penerapan algoritma random forest dalam analisis sentimen pada data Twitter. Jurnal Sistem Informasi, 8(1), 85–95. Diakses dari https://journal.sisfo.org/index.php/jsi/article/view/456
Setiawan, E., et al. (2016). Data crawling otomatis pada Twitter. ResearchGate. Diakses dari https://www.researchgate.net/publication/308815966_Data_Crawling_Otomatis_pada_Twitter
Widianto, A., & Setiawan, B. P. (2023). Penerapan support vector machine untuk klasifikasi sentimen pada data Twitter. Jurnal Sistem Komputer, 10(3), 123–132
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Alex Saputra, Mhd Aref Hasan, Yohanes Prasetyo L S, Gilang Buana, Akbar Alfandi, M Farhan Nazif (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
