Kelompok 27

PERENCANAAN KOTA MELALUI SENTIMEN ANALISIS

TWITTER DATA

Menganalisis acara olahraga Olimpiade London mengingat acara hari vs hari perbandingan (sebelum atau sesudah acara) dan kelompok pengguna yang berbeda (penduduk vs pengunjung), serta mengintegrasikan analisis sentimen dan ekstraksi topik.

Studi Kasus

·    Bagaimana kita dapat mengindentifikasi karakteristik dari tweeting perilaku dalam hal   pola spatiotemporal dan sentimen antara penduduk dan pengunjung

·    Apakah ada perubahan terdeteksi dalam tata ruang dan temporal, dan sentimen dari   tweets selama Olimpiade london dibandingkan dengan hari-hari sebelum dan setelah

·     Topik yang terkait dengan perencanaan kota dalam konteks acara olahraga besar dapat diidentifikasi melalui analisis semantuk posting media sosial

Lokasi Penelitian

Daerah penelitian untuk analisis ini adalah Greater London, yang memiliki ekspansi 3458 km 2. Data Twitter diperoleh dengan menggunakan Aplikasi Twitter Streaming Pemrograman Interface (Twitter INC, 2017) untuk tahun 2012, dan terdiri dari konten Tweet dan atribut seperti nama pengguna,lokasi pengguna, dan waktu pesan.

METODELOGI

Binning Temporal

Menciptakan sampah sementara dari data mentah yang mewakili periode waktu sebelum. Selama dan setelah Olimpiade (OG).

Pre - Processing

Melaporkan data geolocation dari tweet dan frekuensi kehadiran mereka di subset sementara yang digunakan untuk mengidentifikasi penduduk dan pengunjung.

Analisis Sementik

Ekstraksi topik otomatis dengan menggunakan metode pembelajaran mesin tanpa pengawasan laten Dirichlet Alokasi (LDA).

Analisis Sentimen 

Skor sentimen dihitung untuk setiap tweet yang secara otomatis menentukan untuk apa gelar mengandung sentimen positif atau negatif, dengan menghitung selisih antara jumlah kata-kata positif dan jumlah kata-kata negatif.

Mesin Learning Topik Pemodelan

Pendekatan cluster aliran data dan menyaring tweets yang relevan untuk analisis.

Spatiotemporal Pengolahan Data

Menganalisis intensitas Tweet perjam untuk himpunan bagian dari tweet positif dan negatif dan topik simentik utama (LDA output), serta pola kesamaan untuk distribusi titik spasial.

Langkah terakhir, menyelidiki hotspot spasial menggunakan kernel Density Estimation (KDE).

KESIMPULAN

Melalui analisis spatiotemporal dan sentimen dari tweets, kita bisa mengidentifikasi pola-pola yang signifikan dalam hal dua kelompok pengguna kami didefinisikan serta untuk hari-hari sebelum, selama dan setelah acara.

Mengenai pemanfaatan untuk tujuan perencanaan, kita dapat menyatakan bahwa dapat memberikan informasi berharga tentang perilaku spatiotemporal dan sentimen warga atau pengunjung tentang peristiwa yang direncanakan besar.

Studi kasus ini juga menggambarkan potensi pemanfaatan data media sosial untuk analisis sentimen dan pemodelan topik untuk memberikan umpan balik umum mengenai peristiwa  yang direncanakan secara besar.