Analisis Persepsi Kesiapsiagaan Potensi Megathrust Selatan Jawa Menggunakan Integrasi Latent Dirichlet Allocation dan Support Vector Machine

Raditya Fajar Ramadhani; Anita Qoiriah

doi:10.56427/jcbd.v5i3.1035

Authors

Raditya Fajar Ramadhani Universitas Negeri Surabaya
Anita Qoiriah Universitas Negeri Surabaya

DOI:

https://doi.org/10.56427/jcbd.v5i3.1035

Keywords:

Megathrust, Latent Dirichlet Allocation, Support Vector Machine, Kesiapsiagaan, Analisis Sentimen

Abstract

Potensi gempa megathrust di selatan Jawa memunculkan beragam respons masyarakat di media sosial, namun penelitian sebelumnya umumnya berhenti pada klasifikasi sentimen tanpa mengaitkannya dengan aspek kesiapsiagaan bencana. Penelitian ini bertujuan mengidentifikasi topik diskusi publik, mengklasifikasikan sentimen masyarakat, serta mengintegrasikan keduanya untuk menginterpretasikan persepsi kesiapsiagaan masyarakat. Data berupa 5.235 komentar pada unggahan Instagram resmi BMKG tanggal 14 Agustus 2024. Tahapan analisis meliputi praproses, pemodelan topik dengan Latent Dirichlet Allocation (LDA), klasifikasi sentimen dengan Support Vector Machine (SVM), serta pascaproses dengan Word2Vec dan cosine similarity untuk mengaitkan topik dengan indikator kesiapsiagaan LIPI–UNESCO/ISDR. Model SVM mencapai akurasi tertinggi 0,87 pada pembagian data latih dan uji 90:10. Topik 0 memiliki kedekatan semantik tertinggi dengan indikator Sistem Peringatan Bencana (cosine similarity 0,9238), sedangkan Topik 1 dengan indikator Pengetahuan dan Sikap Risiko (0,9111). Hasil tersebut menunjukkan bahwa integrasi LDA dan SVM yang didukung Word2Vec dan cosine similarity dapat digunakan untuk memetakan persepsi kesiapsiagaan masyarakat melalui keterkaitan antara sentimen, topik pembahasan, dan indikator kesiapsiagaan, sehingga dapat menjadi masukan bagi perbaikan komunikasi risiko kebencanaan.

Downloads

Download data is not yet available.

References

[1] S. Gardiner, J. Chen, M. Abreu Novais, K. Dupré, and J. G. Castley, “Analyzing and Leveraging Social Media Disaster Communication of Natural Hazards: Community Sentiment and Messaging Regarding the Australian 2019/20 Bushfires,” Societies, vol. 13, no. 6, p. 138, Jun. 2023, doi: 10.3390/soc13060138.

[2] W. Li, J. H. Haunert, J. Knechtel, J. Zhu, Q. Zhu, and Y. Dehbi, “Social media insights on public perception and sentiment during and after disasters: The European floods in 2021 as a case study,” Transactions in GIS, vol. 27, no. 6, pp. 1766–1793, Sep. 2023, doi: 10.1111/tgis.13097.

[3] A. Batool and Y. C. Byun, “Enhanced Sentiment Analysis and Topic Modeling During the Pandemic Using Automated Latent Dirichlet Allocation,” IEEE Access, vol. 12, pp. 81206–81220, 2024, doi: 10.1109/ACCESS.2024.3411717.

[4] P. Muzumdar, G. Kurian, and G. P. Basyal, “A Latent Dirichlet Allocation (LDA) Semantic Text Analytics Approach to Explore Topical Features in Charity Crowdfunding Campaigns,” Asian Journal of Economics, Business and Accounting, vol. 24, no. 1, pp. 1–10, 2024, doi: 10.9734/ajeba/2024/v24i11207.

[5] Z. Rosadi and A. Solichin, “Topic Modeling Tugas Akhir Mahasiswa Menggunakan Metode Latent Dirichlet Allocation Dengan Gibbs Sampling,” Technology of Information and Communication, vol. 13, no. 1, pp. 38–44, 2024, doi: 10.70309/ticom.v13i1.140.

[6] R. Z. Firdaus, S. H. Wijoyo, and W. Purnomo, “Analisis Sentimen Berbasis Aspek Ulasan Pengguna Aplikasi Alfagift Menggunakan Metode Random Forest dan Pemodelan Topik Latent Dirichlet Allocation,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 9, no. 2, 2025, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/14482

[7] Y. N. Bisoumi, J. Munandar, S. Amrullah, M. T. Pandiriyan, K. R. Akmalia, and F. Fauzi, “Papua dalam Perspektif Komentar Youtube: Studi Pemodelan Topik dan Analisis Sentimen dengan Pendekatan Text Mining,” Prosiding Seminar Nasional Sains Data, vol. 4, no. 1, pp. 270–281, 2024, doi: 10.33005/senada.v4i1.190.

[8] F. R. Halim, R. Novita, Mustakim, and M. Afdal, “Sentiment Analysis To Assess Customer Retention On Instagram Social Media Using Naive Bayes Classifier And Support Vector Machine,” in 2024 4th International Conference on Emerging Smart Technologies and Applications (eSmarTA), Sana’a, Yemen: IEEE, Aug. 2024, pp. 1–7. doi: 10.1109/eSmarTA62850.2024.10638885.

[9] S. Al-Otaibi and A. Al-Rasheed, “A Review and Comparative Analysis of Sentiment Analysis Techniques,” Informatica, vol. 46, no. 6, pp. 33–44, 2022, doi: 10.31449/inf.v46i6.3991.

[10] Y. Kustiyahningsih and Y. Permana, “Penggunaan Latent Dirichlet Allocation (LDA) dan Support-Vector Machine (SVM) Untuk Menganalisis Sentimen Berdasarkan Aspek Dalam Ulasan Aplikasi EdLink,” Jurnal Sains dan Teknologi, vol. 13, no. 1, pp. 127–136, 2024, doi: 10.34148/teknika.v13i1.746.

[11] D. Kurniawan and M. N. D. Satria, “Analisis Sentimen Opini Publik Tentang Gempa Megathrust di Indonesia Menggunakan Metode Support Vector Machine dan Naive Bayes,” Building of Informatics, Technology and Science, vol. 6, no. 3, 2024, doi: 10.47065/bits.v6i3.6213.

[12] A. Christanto and Y. T. Samuel, “Analisis Sentimen Isu Megathrust Indonesia Di Twitter Menggunakan Support Vector Machine Dan Naive Bayes,” Jurnal Ilmiah Sistem Informasi, vol. 4, no. 1, pp. 1–10, 2025, doi: 10.24127/jisi.v4i1.8453.

[13] E. H. S. Aulia, E. Daniati, and M. N. Muzaki, “Perbandingan Algoritma Machine Learning Dalam Analisis Sentimen Isu Gempa Megathrust,” The Indonesian Journal of Computer Science Research, vol. 4, no. 2, pp. 117–127, 2025, doi: 10.59095/ijcsr.v4i2.206.

[14] H. Karayiğit, A. Akdagli, and Ç. İ. Acı, “BERT-based Transfer Learning Model for COVID-19 Sentiment Analysis on Turkish Instagram Comments,” Information Technology and Control, vol. 51, no. 3, pp. 409–428, Sep. 2022, doi: 10.5755/j01.itc.51.3.30276.

[15] Y. S. Balcıoğlu, “Examining Turkish Youth’s Reaction to Instagram Influencers: A Sentiment Analysis,” İletişim ve Diplomasi, no. 12, pp. 59–73, Jul. 2024, doi: 10.54722/iletisimvediplomasi.1489078.

[16] LIPI–UNESCO/ISDR, Kajian Kesiapsiagaan Masyarakat dalam Mengantisipasi Bencana Gempa Bumi dan Tsunami. Jakarta, Indonesia: Lembaga Ilmu Pengetahuan Indonesia (LIPI), 2006. [Online]. Available: https://unesdoc.unesco.org/ark:/48223/pf0000153617.