Analisis Sentimen Potensi Gempa Megathrust di Indonesia Menggunakan Random Forest

Mikhael Christian, Agung Panji Sasmito, Hani Zulfia Zahro'

Abstract

Abstrak :

Pada bulan Agustus tepatnya di tahun 2024, berita mengenai adanya potensi gempa megathrust di Indonesia membuat kalangan warga internet heboh salah satunya di media sosial X. Hal ini menimbulkan kekhawatiran dan adanya perbedaan sudut pandang dalam menanggapi berita ini di kalangan masyarakat terlebih para pengguna media sosial. Dikarenakan Indonesia sendiri memiliki 13 zona subduksi yang tersebar di beberapa wilayah. Zona subduksi sendiri merupakan pertemuan antar lempeng besar yang saling bertubrukan dan dapat mengakibatkan gempa megathrust. Akan tetapi, terdapat dua zona yang hangat diperbincangkan, yaitu Megathrust Mentawai-Siberut dan Selat Sunda. Penelitian ini bertujuan untuk mengevaluasi reaksi masyarakat online dalam menanggapi isu megathrust. Pendekatan yang akan digunakan dalam penelitian ini adalah metode Random Forest, yang dikenal mampu menangani data yang besar dan akurasi yang dihasilkan tinggi. Tahapan pengolahan data meliputi pembersihan teks (cleaning), case folding, normalisasi, tokenisasi, penghapusan stopword, stemming, serta adanya evaluasi model. Data yang digunakan untuk melakukan pelatihan dan pengujian berasal dari tweet dengan kata kunci megathrust. Hasil pengujian menggunakan data latih sebanyak 136 data dan menghasilkan nilai recall 84.38%, precision sebesar 71.05%, dan accuracy sebesar 63.24% dalam mengklasifikasikan sentimen netral. Penelitian ini diharapkan dapat membantu lembaga pemerintahan dan organisasi sadar bencana memahami persepsi masyarakat di dunia maya. Dengan wawasan ini, lembaga terkait dapat lebih efektif dalam merancang strategi komunikasi, penyuluhan, serta mitigasi risiko, sehingga mendukung peningkatan kesiapsiagaan bencana di Indonesia.

===================================================

Abstract :

In August, in 2024, news of a potential megathrust earthquake in Indonesia caused a stir among internet citizens, including on social media X. This caused concern and different perspectives on this news among the public, especially social media users. This caused concern and different points of view in responding to this news among the public, especially social media users. Indonesia itself has 13 subduction zones spread across several regions. The subduction zone itself is a meeting between large plates that collide with each other and can cause megathrust earthquakes. However, there are two zones that are hotly discussed, namely the Mentawai-Siberut Megathrust and the Sunda Strait. This study aims to evaluate the reaction of online communities in responding to the megathrust issue. The approach that will be used in this research is the Random Forest method, which is known to be able to handle large data and high accuracy. Data processing stages include text cleaning, case folding, normalization, tokenization, stopword removal, stemming, and model evaluation. The data used to conduct training and testing comes from tweets with megathrust keywords. The test results used 136 training data and produced a recall value of 84.38%, precision of 71.05%, and accuracy of 63.24% in classifying neutral sentiment.  This research is expected to help government agencies and disaster awareness organizations understand public perception in cyberspace. With this insight, related institutions can be more effective in designing communication strategies, counseling, and risk mitigation, thus supporting the improvement of disaster preparedness in Indonesia

Keywords

Sentiment Analysis; Random Forest; X Social Media; Megathrust

Full Text:

PDF

References

[1] W. Kurniawan, D. Daryono, I. Kerta, and T. Triwinugroho, “Analisis Sistem Peringatan Dini Tsunami di Zona Megathrust Selat Sunda Guna Mewujudkan Ketahanan Nasional,” PENDIPA J. Sci. Educ., vol. 6, no. 2, pp. 457–464, 2022, doi: 10.33369/pendipa.6.2.457-464.

[2] A. Fadilah, “Tentang Gempa di Selat Sunda dan Mentawai-Siberut yang ‘Tinggal Menunggu Waktu,’” BMKG. [Online]. Available: https://www.bmkg.go.id/berita/?p=tentang-gempa-di-selat-sunda-dan-mentawai-siberut-yang-tinggal-menunggu-waktu&lang=ID&s=detil

[3] T. Arbar, “BMKG Bilang Gempa Megathrust RI Hanya Tunggu Waktu, Ini Zona Merahnya,” CNBC Indonesia. [Online]. Available: https://www.cnbcindonesia.com/tech/20240825063902-37-566129/bmkg-bilang-gempa-megathrust-ri-hanya-tunggu-waktu-ini-zona-merahnya

[4] F. Melinda and Suhartono, “Antisipasi ancaman bencana gempa megathrust 16,” 2024.

[5] R. S. Yuliatmoko, Y. H. Perdana, and A. A. Martha, “Distribusi Frekuensi Gempabumi Dan Dimensi Fraktal Pada Seismik Gap Di Indonesia Earthquake Frequency-Magnitude Distribution and Fractal Dimension on Seismic Gap in Indonesia,” J. Meteorol. Dan Geofis., vol. 22, no. 2, pp. 55–66, 2021.

[6] A. Permana, “Kepanikan Netizen Usai Estimasi Kekuatan Gempa Megathrust di Indonesia, Warganet: Inpo Tanah Murah di Kalimantan,” Warnanusa. [Online]. Available: https://www.warnanusa.com/nasional/83513346221/kepanikan-netizen-usai-estimasi-kekuatan-gempa-megathrust-di-indonesia-warganet-inpo-tanah-murah-di-kalimantan

[7] G. N. Purba, “Tanggapan Masyarakat soal Gempa Megathrust,” Metrotvnews. [Online]. Available: https://www.metrotvnews.com/play/bmRCeDXX-tanggapan-masyarakat-soal-gempa-megathrust

[8] D. Ayu, “Tanggapan BPBD Kota Batu Soal Megathrust, Minta Masyarakat Tak Khawatir Berlebihan,” TribunBatu. [Online]. Available: https://jatim.tribunnews.com/2024/09/05/tanggapan-bpbd-kota-batu-soal-megathrust-minta-masyarakat-tak-khawatir-berlebihan

[9] A. Ramadhan, B. Susetyo, and Indahwati, “Penerapan Metode Klasifikasi Random Forest Dalam Mengidentifikasi Faktor Penting Penilaian Mutu Pendidikan,” J. Pendidik. dan Kebud., vol. 4, no. 2, pp. 169–182, 2019, doi: 10.24832/jpnk.v4i2.1327.

[10] M. Y. Aldean, P. Paradise, and N. A. Setya Nugraha, “Analisis Sentimen Masyarakat Terhadap Vaksinasi Covid-19 di Twitter Menggunakan Metode Random Forest Classifier (Studi Kasus: Vaksin Sinovac),” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 4, no. 2, pp. 64–72, 2022, doi: 10.20895/inista.v4i2.575.

[11] T. A. U. Azmi, L. Hakim, D. C. R. Novitasari, and W. D. U. D. Utami, “Application Random Forest Method for Sentiment Analysis in Jamsostek Mobile Review,” Telematika, vol. 20, no. 1, p. 117, 2023, doi: 10.31315/telematika.v20i1.8868.

[12] F. I. Kurniadi and P. D. Larasati, “Light Gradient Boosting Machine untuk Deteksi Penyakit Stroke,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 6, no. 1, pp. 67–72, 2022, doi: 10.47970/siskom-kb.v6i1.328.

[13] D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud, “Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 432–437, 2021, doi: 10.32736/sisfokom.v10i3.1302.

[14] H. Tantyoko, D. K. Sari, and A. R. Wijaya, “Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 2, pp. 83–89, 2023, doi: 10.36080/idealis.v6i2.3036.

[15] Y. Romadhoni and K. F. H. Holle, “Analisis Sentimen Terhadap PERMENDIKBUD No.30 pada Media Sosial Twitter Menggunakan Metode Naive Bayes dan LSTM,” J. Inform. J. Pengemb. IT, vol. 7, no. 2, pp. 118–124, 2022, doi: 10.30591/jpit.v7i2.3191.

[16] D. Septiani and I. Isabela, “Analisis Term Frequency Inverse Document Frequency (TF-IDF) Dalam Temu Kembali Informasi Pada Dokumen Teks,” SINTESIA J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 81–88, 2023.

[17] R. Wati, S. Ernawati, and H. Rachmi, “Pembobotan TF-IDF Menggunakan Naïve Bayes pada Sentimen Masyarakat Mengenai Isu Kenaikan BIPIH,” J. Manaj. Inform., vol. 13, no. 1, pp. 84–93, 2023, doi: 10.34010/jamika.v13i1.9424.

[18] J. A. Septian, T. M. Fachrudin, and A. Nugroho, “Analisis Sentimen Pengguna Twitter Terhadap Polemik Persepakbolaan Indonesia Menggunakan Pembobotan TF-IDF dan K-Nearest Neighbor,” J. Intell. Syst. Comput., vol. 1, no. 1, pp. 43–49, 2019, doi: 10.52985/insyst.v1i1.36.

[19] Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” J. KomtekInfo, vol. 10, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.

[20] D. Nurwahidah, G. Dwilestari, N. Dienwati Nuris, and R. Narasati, “Analisis Sentimen Data Ulasan Pengguna Aplikasi Google Kelas Pada Google Play Store Menggunakan Algoritma Naïve Bayes,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3673–3678, 2024, doi: 10.36040/jati.v7i6.8245.

[21] D. Manuel, Y. Sinurat, D. E. Ratnawati, and D. W. Brata, “Analisis Sentimen Terhadap Kenaikan Cukai Rokok pada Media Sosial Twitter menggunakan Algoritma Naïve Bayes Classifier,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 1, pp. 17–25, 2023, [Online]. Available: http://j-ptiik.ub.ac.id

[22] R. Fiddiyansyah, Izra Noor Zahara Aliya, and Moh Azzam Priyanto, “Dampak Identity Theft Berdasarkan Artikel Berita Dan Crawling Data Sentimen Twitter,” Pros. Semin. Nas. Teknol. dan Sist. Inf., vol. 3, no. 1, pp. 629–638, 2023, doi: 10.33005/sitasi.v3i1.399.

[23] D. F. Zhafira, B. Rahayudi, and I. Indriati, “Analisis Sentimen Kebijakan Kampus Merdeka Menggunakan Naive Bayes dan Pembobotan TF-IDF Berdasarkan Komentar pada Youtube,” J. Sist. Informasi, Teknol. Informasi, dan Edukasi Sist. Inf., vol. 2, no. 1, pp. 55–63, 2021, doi: 10.25126/justsi.v2i1.24.

[24] T. S. Sabrila, Y. Azhar, and C. S. K. Aditya, “Analisis Sentimen Tweet Tentang UU Cipta Kerja Menggunakan Algoritma SVM Berbasis PSO,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 7, no. 1, pp. 10–19, 2022, doi: 10.14421/jiska.2022.7.1.10-19.

[25] M. R. D. Fachreza, S. Suhartono, and M. A. Yaqin, “Klasifikasi Sentimen Masyarakat Terhadap Proses Pemindahan Ibu Kota Negara (IKN) Indonesia pada Media Sosial Twitter Menggunakan Metode Naïve Bayes,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 8, no. 3, pp. 243–251, 2023, doi: 10.14421/jiska.2023.8.3.243-251.

[26] P. Ayuningtyas, S. Khomsah, T. Informatika, F. Informatika, S. Data, and F. Informatika, “Pelabelan Sentimen Berbasis Semi-Supervised Learning menggunakan Algoritma LSTM dan GRU,” vol. 9, no. 3, pp. 217–229, 2024.

[27] A. Hendra and F. Fitriyani, “Analisis Sentimen Review Halodoc Menggunakan Nai ̈ve Bayes Classifier,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 6, no. 2, pp. 78–89, 2021, doi: 10.14421/jiska.2021.6.2.78-89.

DOI: https://doi.org/10.20961/ijai.v9i2.95469

Refbacks

  • There are currently no refbacks.