Identifying Traffic Event Types from Twitter by Multi-Label Classification

Chamby-Diaz, Jorge Cristhian; Bazzan, Ana L. C.

doi:10.1109/bracis.2019.00144

Cited by 6 publications

(1 citation statement)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Beberapa manfaat twitter adalah menjadi objek untuk membantu peneliti memahami opini publik, mengukur minat opini publik terkait topik tertentu, dan mendeteksi kejadian tak terduga secara realtime. Secara bersamaan, pengguna twitter dapat berbagi lebih dari 500 juta pesan setiap hari tentang semua topik dan subjek (Chamby-Diaz & Bazzan, 2019) , misalnya terkait laporan peristiwa lalu lintas. Kejadian lalu lintas merupakan masalah yang sering terjadi di kota-kota besar karena peningkatan jumlah kendaraan, kecelakaan lalu lintas, dan kejadian tak terduga lainnya.…”

unclassified

Deteksi Kejadian Lalu Lintas pada Teks Twitter dengan Pendekatan Klasidikasi Multi-Label Berbasis Deep Learning

Atikah

Purwitasari²,

Suciati³

2022

JTIIK

View full text Add to dashboard Cite

Kemacetan merupakan salah satu kejadian yang sering terjadi di kota-kota besar. Hal ini dapat merugikan pengguna jalan, oleh karena itu perlu dilakukan pendeteksian kejadian lalu lintas. Saat ini, twitter digunakan sebagai sumber informasi untuk mendeteksi suatu kejadian. Namun, pengguna twitter cenderung membagikan beberapa informasi sekaligus, sehingga dalam satu tweet bisa memiliki lebih dari satu label. Pada penelitian ini dilakukan klasifikasi multi-label menggunakan 18.000 data dari akun twitter terverifikasi di Surabaya. Klasifikasi multi-label pada penelitian ini dilakukan untuk mengidentifikasi banyak situasi lalu lintas seperti kondisi cuaca, kecelakaan lalu lintas, kemacetan lalu lintas, lalu lintas padat, dan lalu lintas lancar. Klasifikasi dilakukan dengan menggunakan pendekatan deep learning (CNN dan LSTM) dan word embedding (word2vec dan fastText) dengan augmentasi dan non-augmentasi data. Eksperimen dilakukan dengan 3 skenario berbeda untuk melihat pengaruh data uji yang berbeda pada data latih yang sama. Selanjutnya dilakukan eksperimen untuk menguji pengaruh jumlah label terhadap klasifikasi multi-label pada data uji yang sama. Akurasi tertinggi pada non-augmentasi data adalah 0,75 dan pada augmentasi data adalah 0,95. Dari keseluruhan ujicoba akurasi tertinggi diperoleh dari kombinasi LSTM dan fastText.

show abstract

unclassified