9 Kota dengan Keluhan Macet Terbanyak di Twitter, Siapa Nomor 1?
Senin, 07 November 2022 - 08:36 WIB
Terlepas dari urutannya, hasil analisis model Named-Entity Recognition juga relatif selaras dengan laporan dari "The 2021 Global Traffic Scorecard" dari INRIX.
Menurut laporan INRIX, lima besar kota paling macet di Indonesia adalah Surabaya, Jakarta, Denpasar, Malang, dan Bogor.
Lantas, mengapa hasil analisis Pacmann menempatkan Jakarta di posisi pertama?
“Merujuk ke survei dari Asosiasi Penyelenggara Jasa Internet Indonesia 2022, tingkat penetrasi internet di DKI Jakarta itu tertinggi; 83,4 persen. Jadi kami pikir, wajar juga apabila Jakarta berada di posisi pertama di analisis kami karena memang pengguna media sosial di Jakarta sangat banyak," kata Adit.
Selain memakai machine learning model Named-Entity Recognition, Pacmann juga menganalisis kata-kata apa saja yang paling berdekatan dengan kata macet dengan cara merepresentasikan semua kata di dalam data menjadi vektor.
Metode ini menerapkan model jaringan saraf (neural network) yang dirancang untuk memperhitungkan asosiasi kata di dalam data tekstual seperti tweets.
Diketahui, kata-kata yang paling berdekatan di dalam data yang Pacmann analisis antara lain jam, banjir, jalan, tol, pulang, hujan, mudik, pagi, capek, kerja, arus, mobil, dan berangkat.
“Kalau kita perhatikan, ada sekelompok kata-kata yang bertetangga dengan kata macet yang berkaitan erat secara semantik dalam konteks jam berangkat dan pulang kerja," ujar Ghifari Adam, pengajar di Pacmann sekaligus Data Scientist di Valiance.
Menurut laporan INRIX, lima besar kota paling macet di Indonesia adalah Surabaya, Jakarta, Denpasar, Malang, dan Bogor.
Lantas, mengapa hasil analisis Pacmann menempatkan Jakarta di posisi pertama?
“Merujuk ke survei dari Asosiasi Penyelenggara Jasa Internet Indonesia 2022, tingkat penetrasi internet di DKI Jakarta itu tertinggi; 83,4 persen. Jadi kami pikir, wajar juga apabila Jakarta berada di posisi pertama di analisis kami karena memang pengguna media sosial di Jakarta sangat banyak," kata Adit.
Selain memakai machine learning model Named-Entity Recognition, Pacmann juga menganalisis kata-kata apa saja yang paling berdekatan dengan kata macet dengan cara merepresentasikan semua kata di dalam data menjadi vektor.
Metode ini menerapkan model jaringan saraf (neural network) yang dirancang untuk memperhitungkan asosiasi kata di dalam data tekstual seperti tweets.
Diketahui, kata-kata yang paling berdekatan di dalam data yang Pacmann analisis antara lain jam, banjir, jalan, tol, pulang, hujan, mudik, pagi, capek, kerja, arus, mobil, dan berangkat.
Baca Juga
“Kalau kita perhatikan, ada sekelompok kata-kata yang bertetangga dengan kata macet yang berkaitan erat secara semantik dalam konteks jam berangkat dan pulang kerja," ujar Ghifari Adam, pengajar di Pacmann sekaligus Data Scientist di Valiance.
tulis komentar anda