KLASIFIKASI TINGKAT KEMACETAN LALU LINTAS BERBASIS ANALISIS TWEET MENGGUNAKAN LATENT DIRICHLET ALLOCATION DAN N-GRAM

Abstract

Kemacetan lalu lintas merupakan permasalahan yang sering terjadi di kota-kota besar dan memberi dampak negatif terhadap lingkungan disekitarnya. Twitter sebagai salah satu media sosial, memungkinkan penggunanya untuk berbagi informasi mengenai kemacetan lalu lintas disekitar mereka. Melihat permasalahan tersebut, pemanfaatan metode Latent Dirichlet Allocation (LDA) dapat diterapkan dalam klasifikasi tweet. Klasifikasi tingkat kemacetan lalu lintas berbasis analisis tweet dari pengguna Twitter bertujuan untuk menginformasikan kepada orang lain agar mengetahui lokasi-lokasi kemacetan. Saat identifikasi tweet, bigram akan diterapkan sebagai antisipasi penurunan kinerja klasifikasi terhadap kelas tingkat kemacetan berupa kata majemuk seperti “Macet Total”. Penelitian ini bertujuan untuk mengetahui kinerja klasifikasi tingkat kemacetan lalu lintas berbasis analisis tweet menggunakan algoritma LDA dengan data masukan berupa representasi kata unigram, bigram, dan mixed-gram (unigram + bigram). Kemudian, membandingkan kinerja klasifikasi berdasarkan setiap representasi kata tersebut. Hasil penelitian menunjukkan bahwa arsitektur terbaik dihasilkan oleh penerapan LDA sebagai data masukan berupa representasi kata mixed-gram dengan kombinasi parameter nilai alpha 0.1, beta 0.001, jumlah topik 10, dan jumlah iterasi 15000. Arsitektur tersebut, memiliki akurasi sebesar 100%. Oleh karena itu, untuk menghasilkan kinerja terbaik pembentukan model klasifikasi tingkat kemacetan lalu lintas berbasis analisis tweet dengan cara menerapkan LDA sebagai data masukan berupa mixed-gram.