Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kajian risiko bencana di Indonesia oleh BNPB menunjukkan jumlah jiwa terpapar risiko bencana tersebar di seluruh Indonesia dengan total potensi jiwa terpapar lebih dari 255 juta jiwa. Hasil kajian ini menunjukkan bahwa dampak bencana di Indonesia terbilang sangat tinggi. Sistem penanggulangan khususnya pada masa tanggap darurat menjadi hal yang krusial untuk dapat meminimalisir risiko. Namun, pemberian bantuan kepada korban bencana terkendala beberapa hal, antara lain keterlambatan dalam penyaluran, kurangnya informasi lokasi korban, dan distribusi bantuan yang tidak merata. Untuk memberikan informasi yang cepat dan tepat, BNPB telah membangun beberapa sistem informasi seperti DIBI, InAware, Geospasial, Petabencana.id dan InaRisk. Akan tetapi tidak secara realtime menampilkan wilayah terdampak bencana dengan memnunjukkan jenis kebutuhan bantuan apa yang dibutuhkan korban pada saat itu. Untuk memberikan solusi atas permasalah tersebut, penelitian ini membangun model yang mampu mengklasifikasikan data teks dari Twitter terkait bencana kedalam jenis bantuan yang diminta oleh korban bencana secara realtime. Selain itu visualisasi berupa dashboard dibangun dalam bentuk aplikasi berbasis peta untuk menampilkan lokasi korban yang terdampak. Penelitian ini mengunakan teknik text mining mengolah data Twitter dengan pendekatan metode klasifikasi multi label dan ekstraksi informasi lokasi menggunakan metode Stanford NER. Algoritme yang digunakan adalan Naive Bayes, Support Vector Machine, dan Logistic Regression dengan kombinasi metode tranformasi data multi label OneVsRest, Binary Relevance, Label Power-set, dan Classifier Chain. Representasi teks menggunakan N-Grams dengan pembobotan TF-IDF. Model terbaik untuk klasifikasi multi label pada penelitian ini adalah kombinasi Support Vector Machine dan Clasifier Chain dengan fitur UniGram+BiGram dengan nilai precision 82%, recall 70%, dan F1-score 75%. Stanford NER menghasilkan F1-score 83% untuk klasifikasi lokasi yang menjadi masukan untuk teknik geocoding. Hasil geocoding berupa informasi spasial ditampilkan dalam bentuk dashboard berbasis peta.

---

The study of disaster risk in Indonesia by BNPB shows the number of people exposed to disaster risk throughout Indonesia with a total potential life of 255 million people. The results of this study indicate that the impact of disasters in Indonesia is quite high. The response system, especially during the emergency response period, is crucial to be able to minimize risks. However, providing assistance to disaster victims is hampered by several things, including delays in providing assistance, lack of information on the location of victims, and uneven distribution of aid. To provide fast and accurate information, BNPB has built several information systems such as DIBI, InAware, Geospatial, Petabencana.id and InaRisk. However, it does not display the disaster area in real-time by showing what kind of assistance needs the victim needs at that time. To provide a solution to these problems, this study builds a model that is able to classify text data from Twitter related to the type of assistance requested by disaster victims in real-time. In addition, a dashboard is built in the form of a map-based application to display the location of the realized victim. This study uses text mining techniques to process Twitter data with a multi-label classification approach and location information extraction using the Stanford NER method. The algorithms used are Naive Bayes, Support Vector Machine, and Logistic Regression with a combination of OneVsRest, Binary Relevance, Power-set Label, and Classifier Chain. Text representation using N-Grams with TF-IDF weighting. The best model for multi-label classification in this study is a combination of Support Vector Machine and Classifier Chain with UniGram+BiGram features with 82% precision, 70% recall, and 75% F1-score. Stanford NER produces an F1-score of 83% for location classification which is the input for geocoding techniques. Geocoding results in the form of spatial information are displayed in a map-based dashboard."

"Kajian risiko bencana di Indonesia oleh BNPB menunjukkan jumlah jiwa terpapar risiko bencana tersebar di seluruh Indonesia dengan total potensi jiwa terpapar lebih dari 255 juta jiwa. Hasil kajian ini menunjukkan bahwa dampak bencana di Indonesia terbilang sangat tinggi. Sistem penanggulangan khususnya pada masa tanggap darurat menjadi hal yang krusial untuk dapat meminimalisir risiko. Namun, pemberian bantuan kepada korban bencana terkendala beberapa hal, antara lain keterlambatan dalam penyaluran, kurangnya informasi lokasi korban, dan distribusi bantuan yang tidak merata. Untuk memberikan informasi yang cepat dan tepat, BNPB telah membangun beberapa sistem informasi seperti DIBI, InAware, Geospasial, Petabencana.id dan InaRisk. Akan tetapi tidak secara realtime menampilkan wilayah terdampak bencana dengan memnunjukkan jenis kebutuhan bantuan apa yang dibutuhkan korban pada saat itu. Untuk memberikan solusi atas permasalah tersebut, penelitian ini membangun model yang mampu mengklasifikasikan data teks dari Twitter terkait bencana kedalam jenis bantuan yang diminta oleh korban bencana secara realtime. Selain itu visualisasi berupa dashboard dibangun dalam bentuk aplikasi berbasis peta untuk menampilkan lokasi korban yang terdampak. Penelitian ini mengunakan teknik text mining mengolah data Twitter dengan pendekatan metode klasifikasi multi label dan ekstraksi informasi lokasi menggunakan metode Stanford NER. Algoritme yang digunakan adalan Naive Bayes, Support Vector Machine, dan Logistic Regression dengan kombinasi metode tranformasi data multi label OneVsRest, Binary Relevance, Label Power-set, dan Classifier Chain. Representasi teks menggunakan N-Grams dengan pembobotan TF-IDF. Model terbaik untuk klasifikasi multi label pada penelitian ini adalah kombinasi Support Vector Machine dan Clasifier Chain dengan fitur UniGram+BiGram dengan nilai precision 82%, recall 70%, dan F1-score 75%. Stanford NER menghasilkan F1-score 83% untuk klasifikasi lokasi yang menjadi masukan untuk teknik geocoding. Hasil geocoding berupa informasi spasial ditampilkan dalam bentuk dashboard berbasis peta.

---

The study of disaster risk in Indonesia by BNPB shows the number of people exposed to disaster risk throughout Indonesia with a total potential life of 255 million people. The results of this study indicate that the impact of disasters in Indonesia is quite high. The response system, especially during the emergency response period, is crucial to be able to minimize risks. However, providing assistance to disaster victims is hampered by several things, including delays in providing assistance, lack of information on the location of victims, and uneven distribution of aid. To provide fast and accurate information, BNPB has built several information systems such as DIBI, InAware, Geospatial, Petabencana.id and InaRisk. However, it does not display the disaster area in real-time by showing what kind of assistance needs the victim needs at that time. To provide a solution to these problems, this study builds a model that is able to classify text data from Twitter related to the type of assistance requested by disaster victims in real-time. In addition, a dashboard is built in the form of a map-based application to display the location of the realized victim. This study uses text mining techniques to process Twitter data with a multi-label classification approach and location information extraction using the Stanford NER method. The algorithms used are Naive Bayes, Support Vector Machine, and Logistic Regression with a combination of OneVsRest, Binary Relevance, Power-set Label, and Classifier Chain. Text representation using N-Grams with TF-IDF weighting. The best model for multi-label classification in this study is a combination of Support Vector Machine and Classifier Chain with UniGram+BiGram features with 82% precision, 70% recall, and 75% F1-score. Stanford NER produces an F1-score of 83% for location classification which is the input for geocoding techniques. Geocoding results in the form of spatial information are displayed in a map-based dashboard."

"Indonesia sangat rawan terhadap risiko bencana alam tektonik dan vulkanik gempa bumi, tsunami dan letusan gunung berapi , karena: 1 terletak di antara tiga lempeng tektonik: Indo-Australia, Eurasia dan Pasifik, 2 berada di jalur cincin api 'Asia Pacific Ring of Fire' dengan 127 gunung berapi aktif terbanyak di dunia, dan 3 negara kepulauan terbesar dunia dengan 13.466 pulau. Sudah banyak terjadi bencana alam dari masa lalu hingga sekarang, dan masih akan terjadi lagi di masa depan, hanya waktunya yang tidak pasti. Korban meninggal dunia, cidera dan kerusakan, kehancuran rumah tinggal penduduk sudah jutaan dengan kerugian ekonomi yang sangat besar.Timbul permasalahan dalam aksi rehabilitasi dan rekonstruksi pasca bencana alam untuk rumah tinggal yang telah rusak dan hancur, karena memerlukan biaya yang tidak sedikit. Korban bencana tidak mempunyai uang yang cukup, banyak yang kehilangan sumber penghasilan, sementara anggaran dana pemerintah sangat tidak mencukupi untuk memberikan bantuan dan ganti kerugian, jika terjadi suatu bencana alam katastrofe. Hal itu mengakibatkan rehabilitasi dan rekonstruksi rumah tinggal penduduk tidak bisa dilakukan dengan baik dan cepat, sehingga memperpanjang penderitaan korban bencana alam.Berdasarkan hal tersebut di atas, penelitian ini melakukan studi pada 7 negara paling rawan bencana alam yang telah menerapkan skema asuransi bencana alam untuk mengkaji dan mengganalisis: 1 skema asuransi bencana alam yang tepat diterapkan di Indonesia; 2 peranan reasuransi dan catastrophic bond dalam mendukung skema asuransi bencana alam di Indonesia; dan 3 pembaruan hukum yang diperlukan untuk mewujudkan skema asuransi bencana alam.Penelitian dilakukan dengan metode penelitian hukum normatif dengan analisis data secara juridis kualitatif. Penelitian ini menjawab: 1 skema asuransi bencana alam yang dapat dan tepat diterapkan di Indonesia adalah skema asuransi bencana alam yang bersifat wajib tolong-menolong untuk menjamin setiap rumah tinggal terhadap risiko bencana alam, 2 reasuransi dapat memberikan dukungan terhadap skema asuransi bencana alam di Indonesia dengan jaminan reasuransi dari pasar reasuransi tradisional dan catastrophic bond dapat memberikan jaminan reasuransi innovatif yang lebih besar melalui investor korporasi di pasar modal global; 3 diperlukan pembaruan hukum perasuransian dan hukum penanggulangan bencana untuk mewujudkan skema asuransi bencana di Indonesia.Hasil penelitian ini menyarankan Indonesia penting menyelenggarakan skema asuransi bencana alam rumah tinggal yang sifatnya wajib tolong-menolong untuk risiko gempa bumi, tsunami dan letusan gunung berapi, sehingga penduduk korban bencana alam akan mendapatkan ganti kerugian yang lebih besar dan lebih cepat untuk dapat membangun kembali rumah tinggal mereka yang rusak dan hancur sesuai princip 'build back better' dari deklarasi dan kerangka kerja Sendai 2015-2030.

---

Indonesia is very prone to tectonic and vulcanic natural disaster earthquakes, tsunami and volcanic eruptions due to 1 it located between three tentonic plates Indo Australia, Eurasia and Pacific, 2 within the Asia Ring of Fire with 127 active volcanoes, the largest number of active volcanoes in the world, and 3 the largest archipelago country in the world with total number of islands 13,466. A large number of natural disasters calamities have occurred in the past and that will occur again in the future with unknown times and places. Those have caused million fatalities deaths, bodily injuries, damage, destruction to residential buildings houses with huge economic losses.

There is always a serious problem in the rehabilitation and reconstruction of damaged residential buildings houses which needs a lot of fund whilst the victims did not have sufficient fund and they were suffering from loosing sources of income caused by the natural disasters.The government rsquo s annual budget for natural disasters rsquo relief and compensation is very limited, not sufficient, when a catastrophic calamity natural disaster occur. That situation caused rehabilitation and reconstruction program for residential buildings houses cannot be performed well, properly and fast, it prolongs the suffering of the victims. Based on the above description, this research did a study in seven countries prone to natural disasters which have natural disaster insurance schemes for houses.

The objective of this study is to answer the research questions 1 what is the type of natural disaster insurance can and most suitably be implemented in Indonesia, 2 how reinsurace and catastrophic bond can support the natural disaster insurance scheme, and 3 is law amendment necessary for the implementation of natural disaster insurance scheme.

This study use legal normative method research with statute, conceptual and comparative approaches. This study answers 1 a mandatory compulsory natural disaster insurance scheme covering residential buildings houses for earthquake, tsunami and volcanic eruption risks is suitably implemented in Indonesia 2 reinsurance can provide reinsurance coverage from the traditional reinsurance market and catastrophic bond can provide larger innovative reinsurance coverage from corporate investors of the global capital market 3 amendment or change to the current insurance law and disaster mitigation law is necessary for the establishment and implementation of natural disaster insurance scheme in Indonesia.

The result of this study suggests it is necessary for Indonesia to establish and implement a natural disaster insurance scheme for residential buildings houses covering earthquake, tsunami and volcanic eruption risks. With that scheme, homeowners will get larger and faster compensation from the insurers for rebuilding their damaged houses with the principle of ldquo build back better rdquo in accordance with Sendai Declaration and Framework 2015 2030."

"[ABSTRAKAplikasi Fajr merupakan aplikasi mobile yang memiliki konten islami denganfitur utama yaitu Fajr Cards. Namun, Fajr Cards belum mampu menarikperhatian pengguna dengan minimnya jumlah pengguna fitur ini. Fajr Cardssebagai fitur yang berbasiskan kepada konten dapat ditingkatkan denganmemberikan konten yang relevan dengan pengguna. Twitter sebagai media sosialmemiliki data real-time dan jumlah yang banyak sehingga dapat menjadi sumberdata aktual untuk dianalisa. Data Twitter dapat dianalisa dengan menggunakantext mining. Salah satunya yaitu text classification atau klasifikasi teks Tujuanpenelitian ini adalah untuk menentukan metode klasifikasi apa yang terbaik untuk klasifikasi tema konten Fajr Cards. Metodologi yang digunakan menggunakan tahapan preprocess Text Mining danpenggunaan metode Text Mining yaitu Text Classification. Hasil yang diharapkan adalah gambaran bagaimana data Twitter diproses untuk proses klasifikasi dan metode klasifikasi apa yang terbaik untuk klasifikasi tema konten Fajr Cards.

---

ABSTRACTFajr application is a mobile application that contains Islamic contents for moslem daily life. To get more users, the developers create a main feature called Fajr Cards. But, Fajr Cards has not been able to attract users. It is based on the minimum of users that using Fajr Cards. Fajr Cards as a feature based on contents can be improved by adding more content that have relevance value to users. Twitter as microblog social media have real time and a lot of data. Those data can be used as an actual source data for analyze. Text mining such as text classification will be used to analyze the data. The purpose of this research is to get what classification method that suited best for this classification. Methodology that used in this research is Text Mining including preprocess and Text Classification. The expected results is to know what classification method that suited best for Fajr Card?s theme classification.;Fajr application is a mobile application that contains Islamic contents for moslemdaily life. To get more users, the developers create a main feature called FajrCards. But, Fajr Cards has not been able to attract users. It is based on theminimum of users that using Fajr Cards. Fajr Cards as a feature based on contentscan be improved by adding more content that have relevance value to users.Twitter as microblog social media have real time and a lot of data. Those data canbe used as an actual source data for analyze. Text mining such as textclassification will be used to analyze the data. The purpose of this research is toget what classification method that suited best for this classification.Methodology that used in this research is Text Mining including preprocess andText Classification. The expected results is to know what classification method that suited best for Fajr Card?s theme classification.;Fajr application is a mobile application that contains Islamic contents for moslemdaily life. To get more users, the developers create a main feature called FajrCards. But, Fajr Cards has not been able to attract users. It is based on theminimum of users that using Fajr Cards. Fajr Cards as a feature based on contentscan be improved by adding more content that have relevance value to users.Twitter as microblog social media have real time and a lot of data. Those data canbe used as an actual source data for analyze. Text mining such as textclassification will be used to analyze the data. The purpose of this research is toget what classification method that suited best for this classification.Methodology that used in this research is Text Mining including preprocess andText Classification. The expected results is to know what classification method that suited best for Fajr Card?s theme classification., Fajr application is a mobile application that contains Islamic contents for moslemdaily life. To get more users, the developers create a main feature called FajrCards. But, Fajr Cards has not been able to attract users. It is based on theminimum of users that using Fajr Cards. Fajr Cards as a feature based on contentscan be improved by adding more content that have relevance value to users.Twitter as microblog social media have real time and a lot of data. Those data canbe used as an actual source data for analyze. Text mining such as textclassification will be used to analyze the data. The purpose of this research is toget what classification method that suited best for this classification.Methodology that used in this research is Text Mining including preprocess andText Classification. The expected results is to know what classification method that suited best for Fajr Card’s theme classification.]"

"ABSTRAK<>br>Dalam beberapa tahun terakhir, masalah pengukuran kredibilitas informasi di jaringan sosial mendapat perhatian yang cukup besar terutama di bawah situasi darurat. Hal itu merupakan konsekuensi dari membeludaknya informasi, terlebih ketika semua orang bebas berperan sebagai sumber informasi.Penelitian ini menyoroti buramnya dinding pembatas antara fakta dan hoax di Indonesia, sehingga hal itu menyebabkan banyaknya kasus penyebaran hoax di media. Jika dibiarkan hal tersebut dapat berdampak buruk bagi seorang pribadi ataupun organisasi yang diserang isu hoax. Survei yang dilakukan Intelligence Media Management IMM menyatakan terdapat peningkatan tajam di tahun 2016 dari 1572 menjadi 7311 pemberitaan media. Dan berdasarkan hasil survei yang dilakukan masyarakat telematika mastel Indonesia hampir dari seluruh responden 84,5 menyatakan terganggu dengan maraknya berita hoax yang dapat mengganggu kerukunan masyarakat dan menghambat pembangunan nasional.Menurut Menteri Komunikasi dan Informatika Rudiantara, langkah nyata yang bisa dilakukan adalah menyaring informasi menjadi lebih cepat dan tegas. Untuk itu diperlukan tindakan sehingga penyebaran hoax di media dapat diturunkan. Tujuan dilakukannya penelitian ini adalah untuk mengidentifikasi konten di media sosial merupakan suatu hoax atau tidak pada saat konten tersebut beredar. Metodologi yang digunakan di dalam penelitian ini dimulai dengan mengumpulkan tweets yang terindikasi hoax lalu dilakukan proses pengolahan data dengan membuat suatu model text mining yang dapat memprediksi suatu konten berpotensi hoax atau tidak.Hasil dari penelitian ini yaitu didapatkan sebuah model berbasis pembelajaran sendiri menggunakan algoritma LinearSVC dengan akurasi 91 yang dapat memprediksi apakah suatu tweet merupakan berpotensi hoax atau tidak sehingga membantu dalam menyaring suatu informasi yang diharapkan dapat mengurangi penyebaran hoax di Indonesia.

---

ABSTRACT<>br>In recent years, the problem of measuring the credibility of information on the social network received considerable attention, especially under emergency situations. This is the consequence of too many information, especially when everyone is free to act as a source of information.The study highlights the blurring of the dividing wall between fact and hoax in Indonesia, so it causes many cases of spread of hoaxes in the media. If left unchecked it can be bad for a person or organization that attacked the issue of hoaxes. Surveys conducted by Intelligence Media Management IMM said there is a sharp increase in 2016 from 1572 content into 7311 content spread in media. And based on the results of a survey conducted by telematics community Mastel Indonesia almost of all respondents 84.5 declared disturbed by the rise of the hoax news that could disturb social harmony and impede national development.According to the Minister of Communications and Information Rudiantara, concrete steps that can be done is to filter information faster and firmer. It required the action so that the spread of hoax in the media can be derived. The purpose of this research is to identify content in social media is a hoax or not when the content is spreading. The methodology used in this research begins with collecting tweets that indicated hoax and then performed data processing by creating a text mining model that can predict a potentially hoax content or not.The result of this research is a machine learning model using LinearSVC algorithm with 91 accuracy which can predict whether tweet potentially hoax or not, thus helping the filtering of information expected to reduce the spread of hoax in Indonesia."

"Berbagai upaya telah dilakukan untuk meliput peristiwa bencana alam. Kendatipun demikian, upaya-upaya yang dilakukan belum secara optimal menampilkan informasi dari perspektif pengguna. Informasi terkait bencana alam yang dipublikasi oleh media lewat berita meliputi lokasi, kronologi, dan statistik terkait bencana. Berita yang dipublikasi media dapat dikumpulkan dengan menggunakan data mining dan diolah untuk memvisualisasikan informasi berbagai jenis bencana alam yang terjadi di Indonesia secara real-time. Visualisasi informasi bencana alam dapat memberikan masyarakat akses ke informasi bencana-bencana alam yang terjadi di Indonesia. Visualisasi informasi bencana alam dikembangkan menggunakan metode User-Centered Design (UCD) yang melibatkan pengguna dalam pengembangan. Dilakukan user research dengan menyebar kuesioner daring dan melakukan wawancara lanjut. Hasil user research digunakan untuk menspesifikasikan kelompok pengguna dari visualisasi informasi bencana alam. Hasil user research juga digunakan sebagai design insights untuk mengembangkan desain solusi dari visualisasi informasi bencana alam. Desain visualisasi informasi bencana alam yang telah dikembangkan dievaluasi dengan melaksanakan usability testing dan pengisian kuesioner system usability scale. Desain yang sudah dikembangkan memiliki rata-rata task success sebesar 89% dan tingkat penerimaan Acceptable. Terdapat peluang perbaikan lanjutan untuk desain yang sudah dikembangkan. Peluang tersebut meliputi kebutuhan utama visualisasi informasi bencana alam dan kebutuhan di luar desain seperti bantuan korban bencana alam dan edukasi bencana alam. 

---

Various attempts have been made to cover natural disasters. Nevertheless, the efforts made have not optimally displayed information from the user's perspective. Information related to natural disasters published by the media through news includes location, chronology, and statistics related to disasters. News published by the media can be collected using data mining and processed to visualize information on various types of natural disasters that occur in Indonesia in real-time. Visualization of natural disaster information can give people access to information on natural disasters that occur in Indonesia. Visualization of natural disaster information is developed using the User-Centered Design (UCD) method which involves the user in development. User research was conducted by distributing online questionnaires and conducting further interviews. The results of user research are used to specify user groups from visualization of natural disaster information. The results of user research are also used as design insights to develop design solutions from information visualization of natural disasters. The design of the visualization of natural disaster information that has been developed is evaluated by carrying out usability testing and filling out a usability scale system questionnaire. The design that was developed has an average task success of 89% and an acceptable acceptance level. There are opportunities for further improvement for designs that have already been developed. These opportunities include the main needs for visualization of natural disaster information and needs outside of design such as assistance for victims of natural disasters and education for natural disasters."

"Bencana alam adalah suatu hal tidak terhindarkan yang dapat terjadi di sekitar kita, dan perilaku saling membantu merupakan salah satu hal yang seringkali muncul setelahnya. Penelitian ini dilakukan untuk mengidentifikasi korelasi antara empati dan ekstraversi dengan kecenderungan untuk melakukan perilaku prososial dalam keadaan bencana alam. Partisipan (n=327, 67.8% perempuan) direkrut melalui convenience sampling dan diminta untuk mengisi kuesioner daring mengenai faktor psikologis dan pertolongan bencana alam. Hasil yang diperoleh dianalisis menggunakan korelasi Pearson dan menunjukkan bahwa empati dan ekstraversi berkorelasi positif dengan pemberian pertolongan bencana alam. Implikasi teoritis penelitian ini mengindikasikan pentingnya kedua komponen dalam stage model terhadap perilaku prososial. Keterbatasan dari penelitian ini adalah metode convenience sampling yang berakibat pada ketidakseimbangan dalam proporsi jenis kelamin partisipan dan perbedaan budaya. Penelitian selanjutnya diharapkan untuk dapat melibatkan sampel yang lebih representatif untuk memastikan hasil yang diperoleh dapat digeneralisasikan.

---

Natural disaster is an unavoidable circumstance that could happen around us, with helping one another as one of the lights that surfaced. This study is conducted to identify the correlation of empathy and extraversion with the tendency to do prosocial behavior in natural disaster settings. Participants (n=327, 67.8% female) were recruited via convenience sampling and completed an online survey on psychological factors and natural disaster helping. Results obtained were analyzed using Pearson’s correlations and revealed that empathy and extraversion were positively correlated with natural disaster helping. The theoretical implication of this study is the support for the two key components of the stage model leading to prosocial behaviors. The limitation of the study includes the convenience sampling method resulting in imbalance of gender proportion and cultural differences. Future research should involve a more representative sample to ensure generalizability of the findings."

"Jenis bencana alam, lokasi, dan waktu kejadian adalah informasi minimal bisa mengindikasi terjadinya sebuah bencana alam. Salah satu sumber informasi kejadian bencana alam adalah dari berita di media siber. Suatu sistem informasi tentang bencana alam bisa memanfaatkan berita di media siber sebagai sumber data, namun harus mengubah data teks berita menjadi bentuk data terstruktur. Teknik penambangan teks yang bisa digunakan untuk mendapatkan data terstruktur dari suatu kumpulkan teks. Penelitian ini melakukan eksplorasi efektivitas teknik penambangan data untuk mengekstrak informasi jenis bencana alam, lokasi, dan waktu kejadian. Metode web scraping digunakan untuk mengumpulkan data teks berita dari media siber dan anotasi manual dilakukan untuk membuat data gold standard. Penelitian ini menggunakan klasifikasi teks dengan machine learning untuk mengetahui jenis bencana alam yang diberitakan. Klasifikasi biner diterapkan untuk mengetahui pemberitaan tentang bencana angin topan, banjir, erupsi, gempa, karhutla, kekeringan, longsor, dan tsunami. Algoritma yang diuji untuk klasifikasi teks adalah Multinomial Naive Bayes, Support Vector Machine, Random Forest, Linear Regression dan Adaboost. Penelitian ini memanfaatkan aplikasi Stanford NER untuk mengetahui entitas lokasi di suatu teks, kemudian gazetteer digunakan untuk pemetaan wilayah administrasi. Penelitian ini menggunakan pencocokan pola teks dengan regular expression untuk mengekstrak informasi tanggal kejadian bencana alam. Nilai F1 dari model klasifikasi penelitian ini untuk berita bencana angin topan, banjir, erupsi, gempa, karhutla, kekeringan, longsor, dan tsunami adalah 0,731, 0,767, 0,760, 0,761, 0,749, 0,680, 0,763, dan 0,600. Sedangkan Nilai F1 untuk hasil ekstraksi lokasi dan waktu adalah 0,795 dan 0,881.

---

The minimal information to notice the occurrence of a natural disaster is its type, location, and event time. News in the cyber media can be a source of information to discover disaster events. Furthermore, natural disaster information systems can utilize that news as the data source. The news needs to be converted into structured data to be processed by system information. Text mining is a method to extract structured information from a text collection. This research explored the effectiveness of data mining to extract natural disaster type, location, and event time reported by news in cyber media. The web scraping method was used to collect news in cyber media and manual annotation was performed to create gold-standard data. This study used text classification with a machine learning approach to identify the types of natural disasters reported. Binary classification was applied to label news for following disaster types: hurricanes, floods, eruptions, earthquakes, forest and land fires, droughts, landslides, and tsunami. This research evaluated Multinomial Naive Bayes, Support Vector Machines, Random Forests, Linear Regression, and AdaBoost algorithm for text classification tasks. This study utilized the Stanford NER application to recognize location entities in a text, then the gazetteer was used to get administrative area information. This study applied text patterns with regular expressions to extract date information of disaster events. The F1 value of 8 classification model in this research for following disaster news type: hurricanes, floods, eruptions, earthquakes, forest and land fires, droughts, landslides, and tsunami, are 0.731, 0.767, 0.760, 0.761, 0.749, 0.780, 0.680, 0.763, and 0.600. The F1 value of method to extract location and event time information are 0.795 and 0.881.

 

"

"ABSTRAK Bencana alam menimbulkan banyak kerugian dan selama beberapa dekade terakhir ini kejadian bencana telah meningkat pesat. Besaran kerugian yang disebabkan oleh bencana alam berbeda-beda di setiap negara tergantung intensitas dan frekuensi bencana serta kerentanan negara tersebut. Masyarakat yang tinggal di negara berpenghasilan rendah memiliki kemampuan terbatas untuk mengatasi guncangan bencana alam yang akhirnya dapat memberikan efek berkelanjutan pada kesejahteraan. Hal ini disebabkan karena tingkat kesejahteraan awal mereka yang memang dekat dengan garis kemiskinan, pengaturan dan  kelembagaan untuk mengatasi bencana yang tidak matang, serta tidak adanya atau minimnya sistem peringatan dini terhadap bencana. Penurunan kesejahteraan rumah tangga akibat bencana dapat dilihat dari pertumbuhan konsumsi rumah tangga, pertumbuhan aset serta pertumbuhan upah. Dengan menggabungkan data IFLS dan data DesInventar, penelitian ini membuktikan secara empiris, bahwa jumlah kejadian bencana memiliki pengaruh signifikan terhadap perubahan konsumsi pangan, konsumsi non pangan dan konsumsi total rumah tangga, khususnya rumah tangga yang berada di pedesaan. Meski demikian nilai estimasinya relatif kecil. Jumlah kejadian bencana memiliki pengaruh signifikan terhadap perubahan aset non bisnis rumah tangga pedesaan. Kejadian bencana hanya memiliki pengaruh signifikan terhadap pertumbuhan upah  di wilayah pedesaan di Indonesia.

---

ABSTRACT

Natural disasters have caused many losses and over the past few decades natural disasters have increased rapidly. The magnitude of losses caused by natural disasters varies by country depending on the intensity and frequency of disasters and the vulnerability of the country. People who live in low-income countries have limited capacity to deal with natural disaster shocks which can ultimately provide a sustainable effect on welfare. This is due to the level of their initial welfare which is indeed close to the poverty line, lack of regulation, institutions and early warning system to overcome disasters. The decline in household welfare due to disasters can be seen from growth in household consumption, asset growth and wage growth. By combining IFLS data and DesInventar data, this study proves empirically, that the number of disaster events has a significant impact on changes in food consumption, non-food consumption and total consumption of households, especially households in rural areas. However, the estimated value is relatively small. The number of disaster events has a significant impact on changes in non-business assets of rural households. Disaster events only have a significant effect on rural wages growth in Indonesia.

 

"