DCCKOTABUMIDCCKOTABUMI

Jurnal Informasi dan KomputerJurnal Informasi dan Komputer

Penelitian ini berfokus pada pengembangan sistem inovatif untuk deteksi banjir berbasis kecerdasan buatan, memanfaatkan kekuatan Large Language Model (LLM) dan data real-time dari platform media sosial Twitter/X. Dilatarbelakangi oleh kebutuhan akan sistem peringatan dini yang lebih cepat dan efektif dibanding metode konvensional, penelitian ini bertujuan mengintegrasikan analisis data Twitter/X dimana masyarakat sering melaporkan kejadian banjir secara langsung dengan kemampuan canggih LLM dalam memahami bahasa alami. Melalui tahapan seperti pengumpulan dan pra-pemrosesan data Twitter/X, ekstraksi fitur menggunakan algoritma TF-IDF, pengembangan model LLM untuk klasifikasi tweet banjir, hingga pembangunan chatbot WhatsApp, sistem ini dirancang untuk mendeteksi informasi banjir secara otomatis. Keluaran yang ditargetkan adalah prototipe sistem deteksi banjir via chatbot WhatsApp yang mampu memberikan notifikasi akurat dan cepat kepada pengguna. Kontribusi utama dari penelitian ini meliputi inovasi teknologi dengan penggabungan LLM dan TF-IDF, peningkatan kecepatan respon informasi banjir, serta peningkatan aksesibilitas informasi melalui platform WhatsApp yang populer, yang secara keseluruhan berpotensi besar dalam mendukung upaya mitigasi bencana dan pengurangan risiko kerugian akibat banjir di Indonesia. Didapatkan akurasi secara keseluruhan sebesar 96% dimana ini sangat baik dalam melakukan klasifikasi tweet banjir.

Penelitian berhasil mengembangkan sistem deteksi banjir berbasis LLM yang memanfaatkan data Twitter/X dan terintegrasi dengan chatbot WhatsApp untuk meningkatkan aksesibilitas informasi.Sistem menggunakan pendekatan TF‑IDF untuk ekstraksi fitur dan model klasifikasi teks yang dapat membedakan laporan banjir literal dan metafora dengan akurasi keseluruhan 96%, precision 0.Integrasi model ke dalam chatbot memungkinkan analisis real‑time oleh masyarakat dan petugas lapangan, sehingga sistem berpotensi mendukung respons cepat terhadap bencana di Indonesia.

Penelitian selanjutnya dapat mengeksplorasi integrasi sensor IoT (misalnya sensor ketinggian air) dengan model LLM untuk meningkatkan akurasi deteksi banjir pada wilayah dengan sinyal media sosial rendah, sehingga dapat diuji sebagai sistem hibrida real‑time. Selain itu, studi komparatif antara model LLM berbahasa Indonesia dan model multibahasa dalam mengklasifikasikan tweet multilingual dapat menilai efektivitas pendekatan bahasa campuran dalam konteks negara dengan keragaman bahasa tinggi. Terakhir, penelitian dapat mengkaji dampak penggunaan chatbot deteksi banjir terhadap perilaku respons masyarakat melalui survei longitudinal, guna menilai sejauh mana teknologi ini meningkatkan kesiapsiagaan dan mengurangi kerugian pada bencana berikutnya.

  1. [2010.16061] Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation.... doi.org/10.48550/arXiv.2010.160612010 16061 Evaluation from precision recall and F measure to ROC informedness markedness and correlation doi 10 48550 arXiv 2010 16061
  2. [2011.14943] Floods Detection in Twitter Text and Images. floods detection twitter text images computer... arxiv.org/abs/2011.149432011 14943 Floods Detection in Twitter Text and Images floods detection twitter text images computer arxiv abs 2011 14943
  3. [2011.14944] Flood Detection via Twitter Streams using Textual and Visual Features. flood detection twitter... arxiv.org/abs/2011.149442011 14944 Flood Detection via Twitter Streams using Textual and Visual Features flood detection twitter arxiv abs 2011 14944
  1. #journal systems ojs#journal systems ojs
  2. #marketing mix#marketing mix
Read online
File size447.36 KB
Pages7
Short Linkhttps://juris.id/p-3nl
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test