Model Klasifikasi Tweet Bencana Alam Gunung Meletus Menggunakan Algoritma Long Short-Term Memory

Abstract

Media sosial seperti Twitter (X) menjadi salah satu sumber informasi real-time yang banyak digunakan masyarakat untuk menyampaikan kondisi dan perkembangan situasi saat terjadi bencana alam. Namun data media sosial memiliki karakteristik tidak terstruktur, mengandung noise, dan menggunakan bahasa yang dinamis sehingga diperlukan pendekatan klasifikasi teks otomatis untuk mengidentifikasi informasi kebencanaan secara efektif. Tujuan penelitian ini adalah mengembangkan model klasifikasi tweet mengenai bencana alam gunung meletus menggunakan algoritma Long Short-Term Memory (LSTM) melalui tahapan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM). Dataset yang digunakan berasal dari “Disaster Tweets Dataset” pada platform Kaggle dengan total 11.370 data tweet yang terdiri dari kategori bencana dan non-bencana. Tahapan penelitian meliputi data preprocessing, tokenization, text representation menggunakan embedding layer, pemodelan menggunakan LSTM, serta evaluasi model menggunakan confusion matrix. Berdasarkan hasil pengujian, model memperoleh nilai accuracy sebesar 89%, precision sebesar 89%, recall sebesar 39%, dan F1-score sebesar 54% pada pembagian data training dan testing dengan rasio 80:20. Performa model yang ditunjukkan oleh nilai accuracy dan precision yang tinggi mengindikasikan kemampuan yang baik dalam mengklasifikasikan tweet bencana. Meskipun demikian, nilai recall yang masih rendah mengisyaratkan bahwa model belum mampu mendeteksi seluruh tweet bencana yang terdapat dalam dataset secara optimal. Penelitian ini menunjukkan bahwa pemanfaatan algoritma LSTM dan data media sosial memiliki potensi untuk mendukung pengembangan sistem monitoring informasi kebencanaan secara otomatis dan real-time.