ANALISIS PERBINCANGAN TOPIK BANJIR DI INDONESIA DALAM

SOSIAL MEDIA TWITTER TAHUN 2014

(Studi Kasus: Data twitter tentang banjir tanggal 26 januari 2014)

Oleh:
Surya Prangga1
1

Mahasiswa Jurusan Statistika Universitas Islam Indonesia

ABSTRAK

Perkembangan media komunikasi memudahkan pengguna untuk

melakukan pertukaran informasi, ide dan gagasan. Salah satu media sosial yang
berkembang di masyarakat adalah twitter. Dengan menggunakan twitter
memungkinkan pengguna untuk berinteraksi dengan berbagai pengguna lain
diseluruh dunia dengan membahas berbagai masalah maupun topik yang sedang
berkembang atau yang sedang hangat diperbincangkan. Di Indonesia sekarang ini
sedang hangatnya diperbincangkan masalah banjir yang terjadi di DKI Jakarta.
sehingga menarik untuk dilakukan analisis terkait topik tersebut. Adapun analisis
yang digunakan adalah analisis data mining yang terpusat pada metode Asosiasi,
clustering, dan word cloud dengan menggunakan program R.
Kata kunci: Banjir, Data mining, Asosiasi, clustering, word cloud
PENDAHULUAN
Lingkungan pesisir merupakan lingkungan yang sangat dinamis dengan
berbagai penggunaan lahan yang sangat komplek (Marfai dan King, 2008a; Aerts
et al, 2009; Marfai 2011). Indonesia sebagai Negara kepulauan mempunyai daerah
pesisir yang merupakan kawasan yang sangat rawan untuk terkena bencana
(Marfai dan King, 2008c). Salah satu bencana yang terjadi di kawasan pesisir
adalah bencana banjir (Mardiatno, 2007; Blackett dan Hume, 2007). IPCC (2007)
menyebutkan bahwa kenaikan muka air laut di dunia pada Tahun 2100 akan
bertambah sekitar 18 cm sampai dengan 59 cm.
Menurut KOMPAS Nasional (2014), Berbagai bencana yang terjadi di
Indonesia saat ini bukanlah sesuatu yang tiba-tiba. Ada proses yang

mendahuluinya, tetapi tidak sepenuhnya disadari berisiko buruk bagi manusia.

Banjir, termasuk banjir bandang, dan juga tanah longsor yang setiap tahun terus
bertambah bagaimanapun merupakan akibat perilaku manusia.
Di Jawa, banjir hampir merata di seluruh wilayah, dari Jawa Barat hingga
Jawa Timur. Banjir di Kabupaten Subang, Jawa Barat, menyebabkan jalur utama
pantura putus, mulai dari Kecamatan Patokbeusi, Ciasem, Sukasari, Pamanukan,
hingga Pusakajaya. Ketinggian air di ruas jalan tersebut hingga 60 sentimeter.
Hingga berita ini diturunkan, jalur utama pantura Subang masih macet total
dengan panjang antrean sekitar 1,5 kilometer di kedua arah. Pada akhir tahun lalu,
banjir juga menyebabkan jalur selatan di wilayah perbatasan Kabupaten Kebumen
dan Purworejo di Jawa Tengah terputus. Saat itu sejumlah wilayah selatan Jateng
banjir akibat meluapnya sejumlah sungai. Saat ini, banjir di Jateng terjadi di
sejumlah wilayah utara, seperti Kota dan Kabupaten Pekalongan, Kota Semarang,
Kabupaten Kudus, serta Kabupaten Pati. Banjir di wilayah utara Jateng ini
cenderung lama surut karena pada saat bersamaan terjadi pasang air laut. Banjir di
Kota dan Kabupaten Pekalongan, misalnya, terjadi sejak tiga hari lalu (Inggried
Dwi, 2014).
Pesisir Pekalongan merupakan salah satu kawasan pesisir utara Pulau Jawa
yang saat ini selalu menghadapi bencana pesisir berupa banjir dan genangan.
Analisis bencana banjir rob penting dilakukan dalam kaitannya dengan
pengelolaan pesisir terpaduan untuk menunjang pembangunan daerah (Kraas,
2007; Ward et al, 2010).
Di luar Jawa, banjir terjadi di sejumlah wilayah di Pulau Sumatera,
Kalimantan, Sulawesi, hingga Papua. Di sejumlah wilayah bahkan terjadi banjir
bandang, seperti di Manado, Sulawesi Utara; Kabupaten Dinggala, Sulawesi
Tengah, dan di Kabupaten Pesisir Selatan, Sumatera Utara. Banjir di Jakarta juga
semakin parah. Hujan deras yang mengguyur hulu sungai dan wilayah
Jabodetabek membuat saluran air dan 13 sungai di Jakarta meluap dan
menggenangi 564 rukun tetangga di 30 kecamatan di DKI Jakarta. Ketinggian air
sekitar 5 sentimeter hingga 3 meter. Kondisi ini membuat 30.784 warga harus
mengungsi (Inggried Dwi, 2014).

Jakarta merupakan salah satu daerah yang rawan banjir. Karena hampir
setiap kali musim penghujan, wilayah Jakarta selalu terendam air. Secara
geomorfologis, 40% wilayah Jakarta terdiri dari dataran rendah pantai dengan
ketinggian kurang dari 10m, bahkan di beberapa tempat berada di kurang lebih
1m di bawah muka air pasang (maksimum). Jakarta merupakan daerah aliran 13
sungai yang bermuara di Teluk Jakarta. Daerah aliran 13 sungai juga menyebar
merata di semua wilayah Jakarta. Oleh karena itu, secara alamiah daerah dengan
ketinggian rendah akan terendam. (Riena, 2013). Di sisi lain, hampir 40 persen
wilayah di Jakarta berada di bawah permukaan laut. Kondisi ini diperparah
dengan terus menurunnya permukaan tanah mencapai 18 cm/tahun (berdasarkan
penelitian Hasanuddin Z. Abidin, 2008), dan meningkatnya tinggi permukaan air
laut hingga 8 mm/tahun (berdasarkan penelitian Sutisna S., dkk, 2002) dikutip
oleh Robin Hartanto (2013) pada berita.yahoo.com.
Ada beberapa penyebab terjadinya banjir yang ada di Indonesia khususnya
daerah Jakarta diantaranya yaitu: rob, penurunan muka tanah, saluran drainase
tidak memadai, tingginya curah hujan lokal dan di hulu, sumbatan sampah,
menurunnya daya dukung lingkungan di hulu dan daerah aliran sungai (DAS),
serta penurunan tanah. Tanda-tanda terjadi penurunan tanah adalah saluran air
patah, miring, atau berubah arah, bangunan retak-retak, dan jalan menjadi lebih
tinggi dari bangunan secara signifikan (Kopertis12, 2013). Menurut Fakhrudin
(2013), banjir sangat dipengaruhi oleh curah hujan, tutupan lahan, dan sistem
drainase. Curah hujan sulit untuk dikontrol. Sistem drainase dapat dikelola jika
tutupan lahan dikelola dengan baik (HumasLIPI, 2013).
Berangkat dari maraknya berbagai media yang banyak memperbincangkan
masalah terkait bencana banjir yang ada di Jakarta dan seluruh wilayah di
Indonesia Tahun 2014 ini dan dari berbagai penelitian yang membahas masalah
banjir di Jakarta. Oleh karena itu, makalah ini akan membahas topik terkait
kepopuleran kata banjir dilihat dari sisi jejaring sosial salah satunya yaitu
twitter. Banyak hal yang menarik untuk dilihat ketika pengguna tersebut membuat
tweet dengan kata banjir. Selain itu juga akan dilihat seberapa besar hubungan
yang terbentuk antara kata-kata yang ditweet secara bersamaan dengan kata banjir.

Adapun tehnik yang digunakan yaitu tehnik data mining yang terpusat pada
analisis text mining.
Tinjauan Pustaka
Penelitian Mita Noveria (2007:116-117) peneliti LIPI Jakarta, yang
bertajuk Bencana Alam Dari Sisi Kependudukan: Penyabab dan Dampaknya
menyimpulkan bahwa, bencana alam tidak bisa terpisahkan dari konteks
masyarakat. Karena masyarakat disamping menjadi korban sekaligus menjadi
pelaku bencana dan penyebab bencana, khususnya bencana banjir dan tanah
longsor.
Menurut buku Crowd yang ditulis oleh yuswohady, engagement
merupakan salah satu hal penting di era social media. Namun, menurut penelitian
yang dilakukan oleh Amira Dewiningtyas dan Yudi Pramudiana dari Institut
Manajemen Telkom, salah satu temuannya menyebutkan bahwa engagement yang
dilakukan oleh beberapa akun official twitter yang menjadi objek penelitian masih
di bawah ekspektasi audiensnya. Penelitian tersebut dipublikasikan International
Conference on Economics Marketing and Management IPEDR Vol.28 (2012)
(2012) IACSIT Press, Singapore.
Batasan Masalah
Adapun cakupan masalah yang akan dibahas dan dianalisis pada makalah
ini yaitu terkait kata banjir yang terjadi di Indonesia yang terdapat pada jejaring
sosial twitter sedangkan untuk kata selain itu tidak termasuk dalam bahasan ini.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
Mencari hubungan (asosiasi) dari kata-kata yang paling sering muncul dengan
kata-kata banjir dan Membuat pengelompokan/klaster terhadap kata-kata yang
memiliki kemiripan satu dengan yang lainnya.
METODOLOGI PENELITIAN

Data yang digunakan pada penelitian ini adalah data tentang banjir yang
ada di Indonesia dimana data tersebut diperoleh dari jejaring sosial twitter yang
diambil langsung secara online pada tanggal 26 Januari 2014 pukul 10:43 WIB
karena pada tanggal dan waktu tersebut berbagai media massa maupun jejaring
sosial twitter masih maraknya membahas peristiwa banjir yang terjadi di
Indonesia. Adapun program bantuan dalam mengolah data tersebut dengan
menggunakan program R. Data sekunder ini terdiri dari 199 dokumen yang di
dalamnya membahas tentang banjir.
Populasi
Populasi dari penelitian ini adalah seluruh kicauan-kicauan (tweet) tentang
banjir atau yang memuat kata-kata tentang banjir.
Sampel dan Teknik Pengambilan Sampel
Sampel yang diperoleh yakni 199 tweet tentang banjir atau memuat katakata banjir serta teknik pengambilan sampel yang digunakan pada penelitian ini
adalah menggunakan teknik sampling acak sederhana.
LANDASAN TEORI
Perangkat Lunak R
R adalah suatu kesatuan software yang terintegrasi dengan beberapa
fasilitas untuk manipulasi, perhitungan dan penampilan grafik yang handal. R
berbasis pada bahasa pemrograman S, yang dikembangkan oleh AT&T Bell
Laboratories (sekarang Lucent Technologies) pada akhir tahun 70 an. R
merupakan versi gratis dari bahasa S dari software (berbayar) yang sejenis yakni
S-PLUS yang banyak digunakan para peneliti dan akademisi dalam melakukan
kegiatan ilmiahnya. (Didi, 2013)
Banjir
Menurut BNPB (2012), Banjir adalah peristiwa atau keadaan dimana terendamnya
suatu daerah atau daratan karena volume air yang meningkat.
Twitter

Twitter diciptakan oleh Jack Dorsey pada bulan juli 2006 di bawah perusahaan
Odeo Corp. Kesuksesan twitter membuat banyak situs lain meniru konsepnya,
kadang menawarkan layanan spesifik lokal suatu negara atau menggabungkan
dengan layanan lainnya. Suatu sumber bahkan menyebutkan bahwa paling tidak
ada 111 situs web yang memiliki layanan mirip dengan twitter. Menggunakan
layanan twitter pun tampaknya jauh lebih mudah daripada layanan jejaring
pertemanan lainnya. Pengguna bisa mengirimkan pesan singkat melalui beberapa
cara, bisa melalui situs twitter secara langsung, melalui SMS, atau melalui
aplikasi twitter lainnya seperti Twirl, Snitter, atau Twitterfox yang merupakan
aplikasi tambahan untuk browser Firefox.
Dalam Twitter, ada tiga hal yang penting selain menuliskan artikel dengan
batasan 140 karakternya itu, yaitu following, follower, dan update. Disinilah
sebenarnya letak keunikan dan manfaat lainnya dari Twitter. Fitur yang menarik
lagi adalah pengguna dapat share video atau foto dari fitur media stream flock
dengan hanya men-drag foto atau video tersebut. Belum lagi fitur menulis artikel
pada blog pribadi tanpa harus login pada blog tersebut (Dianita, 2010).
Sementara teori dari Evans (2008) terkait strategi blogging dijabarkan ke
dalam 4 hal berikut:
-Transparent
-Willingness to listen
-Willingness to act
- Twitter Etiqquette
Didukung oleh Claxton (2008) yang menyatakan, strategi yang tepat
dalam coorporate blogging akan mampu menghasilkan sense of community. Tak
ketinggala, untuk mengidentifikasi benefits apa saja yang terjadi di ranah social
media , teori dari kotler (2010) digunakan. Benefit yang dimaksud dalam
penelitian tersebut dijabarkan sebagai berikut:
-Information benefit
-Social Benefit
-Sharing Benefit
-Emotional Benefit

Data mining
Secara sederhana data mining adalah penambangan atau penemuan informasi
baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat
besar (Davies, 2004). Data mining juga disebut sebagai serangkaian proses
untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui
secara manual dari suatu kumpulan data (Pramudiono, 2007). Data mining,
sering juga disebut sebagai knowledge discovery in database (KDD). KDD
adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk
menemukan keteraturan, pola atau hubungan dalam set data berukuran besar
(Santosa, 2007). dikutip dari Sigit Prabowo (2013).
Metode Data Mining
Association Rules (Aturan Asosiasi)
Menurut Atje Setiawan (2009), Assosiation Rule merupakan suatu proses
untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk
support (minsup) dan syarat minimum untuk confidence (minconf) pada sebuah
database. Dalam menentukan suatu Association Rule umumnya terdapat dua
ukuran kepercayaan (interestingness measure), yaitu support dan confidence.
Kedua ukuran ini akan digunakan untuk interesting association rules dengan
dibandingkan dengan batasan yang telah ditentukan. Batasan inilah yang terdiri
dari minsup dan minconf. Assosiation Rule Mining adalah suatu prosedur untuk
mencari hubungan antar item dalam suatu dataset. Dimulai dengan mencari
frequent itemset, yaitu kombinasi yang paling sering terjadi dalam suatu itemset
dan harus memenuhi minimum support.
Dalam tahap ini akan dicari kombinasi item yang memnuhi syarat
minimum dari nilai support dalam database. Untuk mendapatkan nilai support
untuk sebuah item A dapat diperoleh dari rumus berikut :

Support ( A )=

jumlah transaksi yang mengandung item A

Total transaksi

(2.1)

Sementara itu, untuk mencari nilai support dari 2-item dapat diperoleh dari rumus
berikut :
Support ( A , B ) =P ( A B )=

Jumlahtransaksi yang mengandungitem A

Total transaksi

(2.2)
Setelah semua frequent item dan Large itemset ditemukan, dapat dicari semua
Association Rules yang memenuhi syarat minimum untuk confidence (minconf)
dengan menggunakan rumus berikut ini :
Confidence ( A B )=P ( B| A )=

Jumlah transaksi yang mengandung A dan B

Jumlahtransaksi yang mengandung A

(2.3)

Metode Clustering
Metode clustering mempartisi data ke dalam kelompok sehingga data yang
memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama
(Refaat, 2007). Tujuan dari clustering ini adalah untuk meminimalisasi fungsi
tujuan yang ditetapkan dalam proses clustering, yang umumnya berusaha
meminimalisasi variasi dalam suatu cluster dan memaksimalisasi variasi antar
cluster. Dikutip dari Tamsir Hasudungan Sirait (2011).
K-Means
K-Means merupakan suatu metode untuk melakukan pengalokasian data ke
masing-masing cluster. Alokasi data tersebut didasarkan perbandingan jarak antara
data dengan centroid setiap cluster, dengan persamaan sebagai berikut (Yudi
Agusta, 2007):
aik =

1, d=min { D( x k , v i) }
0 lainnya

dimana:
aik

: Keanggotaan data ke-k ke cluster ke-i

(2.4)

vi

: Nilai centroid cluster ke-i

Adapun fungsi objektif dalam metode K-Means adalah sebagai berikut:

N

J (U ,V ) = aik D (x k , v i )

(2.5)

k=1 i=1

dimana:
N

: Jumlah data

: Jumlah cluster

Dengan

aik

: Keanggotaan data ke-k ke cluster ke-i

vi

: Nilai centroid cluster ke-i

aik

mempunyai nilai 1 jika suatu data merupakan anggota suatu

kelompok dan 0 bila sebaliknya. Pusat centroid dihitung dengan persamaan: (Yudi
Agusta, 2007)
ni

X kj . x kj

v ij = k=1n

1 i c ; 1 j m

X kj

(2.6)

k=1

Text Mining
Text mining memiliki definisi menambang data yang berupa teks dimana sumber
data biasanya didapatkan dari dokumen, dan tujuannya adalah mencari kata-kata
yang dapat mewakili isi dari dokumen sehingga dapat dilakukan analisa
keterhubungan antar dokumen (Raymond, 2006).
Tahapan dalam Text Mining:
1. Tokenizing: tahap pemotongan string input berdasarkan tiap kata yang
menyusunnya.
2. Filtering: tahap mengambil kata-kata penting dari hasil token. Bias
menggunakan algoritma stop list (membuang kata yang kurang penting)
atau word list (menyimpan kata penting).

3. Stemming: tahap mencari root kata (kata dasar) dari tiap kata hasil
filtering.
4. Tagging: tahap mencari bentuk awal/root dari tiap kata lampau atau kata
hasil stemming.
5. Analyzing: tahap penentuan seberapa jauh keterhubungan antar kata-kata
antar dokumen yang ada.
Wordcloud
Word Cloud adalah visualisasi dari kata-kata popular yang biasanya terkait
dengan kata kunci pada internet dan data teks. Word Cloud paling sering
digunakan untuk menyoroti istilah popular atau yang menonjol berdasarkan
frekuensi penggunaan. (PBC Information, 2013)

HASIL DAN PEMBAHASAN

Gambar 1. A term-document matrix

Berdasarkan gambar di atas menjelaskan bahwa total tweet yang diperoleh
terkait topik banjir yaitu sebanyak 199 tweet dan terdapat sebanyak 941 topik
yang berkaitan dengan topik banjir.
Untuk melihat topik yang sering dibicarakan seputar banjir dapat dilihat
pada grafik berikut ini.

Gambar 2. Most Popular Terms

Berdasarkan gambar di atas menjelaskan terkait topik yang paling sering
dikicaukan secara bersamaan dengan topik banjir. Kata-kata tersebut muncul
berdasarkan frekuensi minimal sebanyak 40 kali diucapkan/dikicaukan dalam 199
tweet yang diperoleh. Dapat dilihat bahwa selain kata banjir terdapat kata titik,
melanda, rendam, pln, pelanggan, Jakarta dan lain sebagainya yang merupakan
bagian dari most Popular Terms. Topik-topik yang termasuk dalam most popular
terms tersebut dapat divisualisasikan dengan menggunakan word cloud seperti
tampilan di bawah ini.

Gambar 3. Tampilan Word Cloud

Berdasarkan tampilan word cloud di atas dapat dilihat bahwa topik utama
yaitu banjir ditulis dengan ukuran yang lebih besar dan kemudian kata-kata yang
lain seperti sejak, rendam, Jakarta, pln, akan, dan meter di tulis dengan ukuran
yang lebih kecil disbanding dengan topik utama karena memiliki frekuensi
kicauan yang lebih sedikit dibandingkan dengan topik utama begitu seterusnya
sampai kata-kata yang ditulis dengan ukuran yang kecil. Akan tetapi pada

tampilan word cloud terdapat lebih banyak topik yang divisualisasikan, karena
pada kasus ini peneliti menetukan batas minimum frekuensi untuk sebuah topik
agar muncul di visualisasi word cloud yakni sebanyak 10 kali kicauan lebih
sedikit apabila dibandingkan pada grafik most popular terms sebelumnya. Dengan
kata lain bahwa setiap topik yang dibicarakan atau dikicaukan bersamaan dengan
topik banjir minimal sebanyak 10 kali maka akan divisualisasikan dalam word
cloud tersebut.
Apabila ingin melihat asosiasi atau hubungan antara topik utama yaitu
banjir dengan topik lainnya yang dikicaukan secara bersamaan dapat dilihat pada
table berikut.

Tabel 1. Asosiasi Topik Banjir dengan topik lainnya

26 Januari 2014
Banjir
beberapa
0.75
besar
0.75
titik
0.75
dki
0.74
melanda
0.74
pelanggan
0.72
kwh
0.70
meter
0.70
akan
0.65
sejak
0.65
rendam
0.63
jakarta
0.62
pln
0.53
ganti
0.52
Pada asosiasi ini peneliti mengambil batas minimal nilai asosiasi sebesar
0,50 yang artinya bahwa kata-kata yang akan ditampilkan memiliki peluang
kemunculan secara bersamaan dengan topik utama minimal memiliki frekuensi

sebesar 50% yang tersusun dalam satu kalimat. Pada tabel di atas topik yang
berasosiasi dengan kata banjir salah satunya adalah kata pln, apabila ingin melihat
lebih dalam asosiasi kata pln dengan banjir dapat dilihat pada tabel berikut.
Tabel 2. Asosiasi Topik Banjir dengan topik lainnya
26 Januari 2014
pln
rendam
0.93
akan
0.86
ganti
0.81
kwh
0.81
meter
0.78
pelanggan
0.78
beberapa
0.75
besar
0.75
titik
0.75
melanda
0.73
Dari tabel di atas dapat diketahui bahwa ketika berbicara topik banjir
kemudian berbicara terkait topik pln maka topik yang berasosiasi dengan topik
pln yakni topik-topik yang mengarah pada rendam, akan, ganti, kwh, meter,
pelanggan, beberapa, besar, titik, melanda. Topik yang lebih luas yang bias
ditangkap

yakni akibat terendam banjir, pln akan mengganti kwh meter

pelanggan. Hal ini sesuai dengan topik yang sering dibahas oleh media-media
elektronik yang memberitahukan bahwa banjir besar melanda DKI Jakarta,
mengakibatkan beberapa titik macet. Hal ini bias dibuktikan dengan melihat tweet
atau kicauan aslinya seperti gambar berikut.

Gambar 4. Penggalan data tweet

Dari berbagai dokumen atau topik yang ada dapat dibentuk menjadi
beberapa klaster yang masing-masing klaster terdiri dari topik-topik yang saling
terkait. Adapun klaster yang terbentuk dari kicauan terkait banjir dapat dilihat
pada tabel berikut.

Tabel 3. Klastering kata

cluster
1
cluster
2
cluster
3
cluster
4

antisipasi banjir bencana

ciliwung
banjir korban hujan Jakarta
pln ganti rendam banjir
banjir beberapa besar dki

Berdasarkan tabel di atas terbentuk 4 klaster dengan menggunakan metode

K-means clustering dengan hasil klaster 1 terdiri dari kata antisipasi, banjir,
bencana, ciliwung. Klaster 2 terdiri dari kata banjir, korban, hujan, Jakarta.
Klaster 3 terdiri dari kata pln, ganti, rendam, banjir dan yang terakhir klaster 4
terdiri dari kata banjir, beberapa, besar, dki. Sehingga dapat diperkirakan
pernyataan-pernyataan yang dapat ditangkap dari setiap klaster yaitu seperti
klaster 1 bahwa harus antisipasi terhadap bencana banjir dari sungai ciliwung,
klaster 2 menyatakan banyak korban banjir akibat hujan yang terjadi di Jakarta,
klaster 3 menyatakan akibat terendam banjir, pln akan mengganti kwh meter
pelanggan dan klaster 4 menyatakan banjir besar melanda DKI Jakarta,
mengakibatkan beberapa titik macet.
KESIMPULAN
Analisis data mining dengan menggunakan metode asosiasi yang
diaplikasikan pada topik terkait banjir dimana data diambil pada tanggal 26
januari 2014 dari jejaring sosial twitter menghasilkan beberapa kesimpulan bahwa
keterkaitan atau asosiasi dari topik banjir menghasilkan hubungan dengan topiktopik yang lain seperti dki, melanda, Jakarta, pln, ganti, rendam, dan sebagainya
dimana dari kata-kata yang memiliki keterkaitan tersebut dapat terbentuk menjadi
4 klaster dimana klaster 1 dapat diperkirakan menghasilkan pernyataan bahwa
warga harus antisipasi terhadap bencana banjir dari sungai ciliwung, klaster 2
menghasilkan pernyataan banyak korban banjir akibat hujan yang terjadi di
Jakarta, klaster 3 menghasilkan pernyataan banjir besar melanda DKI Jakarta,

mengakibatkan beberapa titik macet. Klaster 4 menyatakan banjir besar melanda

DKI Jakarta, mengakibatkan beberapa titik macet.
Saran
1. Dalam melakukan tahapan analisis untuk penulisan selanjutnya sebaiknya
menambah perbendaharaan kata yang banyak dalam stop words agar
diperoleh topik yang tepat.
2. Dalam

melakukan

tahapan

analisis

twitter

ditambah

dengan

membandingkan dengan teknik yang lain sehingga didapatkan hasil yang

lebih baik.
3. Menentukan tema yang tepat atau topik pembahasan yang terbaru.
DAFTAR PUSTAKA
Abidin, Hasanudin. Z. (2008). Peranan Geodesi Satelit Dalam Memahami
Dinamika Bumi Di Wilayah Indonesia. Bandung: Balai Pertemuan Ilmiah
ITB.
Aerts, J.; Bowman, M.; Dircke, P.; Major, D.; dan Marfai, M.A. 2009. Connecting
Delta Cities, About Global Coastal Cities and Future Chalanges. VU
University Press, Amsterdam, The Netherlands.
Agusta, Yudi. (2007). K-Means-Penerapan, Permasalahan dan Metode Terkait.
Bali: STIKOM.
Blackett, P. dan Hume, T. 2007. Community Involvement in Coastal Hazard
Mitigation: Some Insight into Process and Pitfalls. Paper disampaikan
dalam seminar Politics of Planning Conference 2007. New Zealand
Planning Institute.
BNPB. (2012). Definisi dan Jenis Bencana. Opini. 9 Oktober 2012.
http://www.bnpb.go.id/page/read/5/definisi-dan-jenis-bencana. Diakses 28
Januari 2014
Claxton, Lena and Alison Woo. (2008). How to say it: Marketing with new media,
USA, Prentice Hall Press.
Davies, A. (2004). Finding Proof of Learning in a One-to-One Computing
Classroom. Courtenay, BC: Connections Publishing.

Evans, Dave. (2008). Social Media Marketing: An hour a day, Canada, Wiley
Publishing, Inc.
Hartanto. Robin. (2013). Fakta-fakta Banjir Jakarta. Opini. 21 Januari 2013.
http://id.berita.yahoo.com/blogs/newsroom-blog/fakta-fakta-banjir-jakarta040106137.html [3 Februari 2014]
International Panel for Climate Change (IPCC). 2007. Climate Change 2007: The
Physical Science Basis. Cambridge University Press, Cambridge.
HumasLIPI. (2013). Banjir dan Longsor Bisa Diprediksi dan Diantisipasi.
Diskusi Publik. 27 Maret 2013.
http://www.fisika.lipi.go.id/in/?q=node/392853 [04 Februari 2014]
Kopertis12. (2013). Penurunan Tanah Jakarta Beban yang Semakin Tinggi. Opini.
28 Januari 2013.
http://www.kopertis12.or.id/2013/01/28/penurunan-tanah-jakarta-bebanyang-semakin-tinggi.html [4 Februari 2014]
Kotler, Philip and Kevin Lane Keller. (2010). Marketing Management 13th
Edition, New Jersey, USA. Prentice Hall.
Kraas, F. 2007. Megacities and global change: key priorities. Geographical
Journal, 173 (1), 79-82.
Mardiatno, D. 2007. Kajian spasio-temporal kejadian bencana alam periode
1907-2006 di indonesia. Jurnal Kebencanaan Indonesia, 1(3), 151 - 160.
Marfai, M.A. dan King, L. 2008a. Tidal inundation mapping under enhanced
land subsidence in Semarang, Central Java Indonesia. Environmental
Geology, 55, 1507-1518.
Marfai, M.A.; King, L.; Sartohadi, J.; Sudrajat, S.; Budiani, S.R. dan Yulianto, F.
2008. The impact of tidal flooding on a coastal community in Semarang,
Indonesia. Environmentalist, 28, 237-248.
Marfai, M.A. 2011. The hazard of coastal erosion in Central Java Indonesia: an
overview. GEOGRAFIA, Malaysia Journal of Society and Space, 7(3), 1
9.
Maulida, Nurul. (2012). Proposal Penelitian twiiter sebagai sosial media bagi
remaja. Opini. 23 Desember 2012.

http://maulidanurul18.wordpress.com/2012/12/23/proposal-penelitiantwitter-sebagai-sosial-media-bagi-remaja/. Diakses 28 Januari 2014.

Milanie, Dianita. (2010). Motif Mahasiswa Surabaya Dalam Menggunakan Situs
Twitter di Internet. Surabaya: FISIP UPN Veteran
Mooney, Raymond J. (2006). Machine Learning Text Categorization. University
of Texas at Austin.
Nandonurhadi. (2013). Data Penelitian Mengenai Twitter Audiens Community di
Industri Televisi Indonesia. Opini. 21 Februari 2013.
http://nandonurhadi.wordpress.com/2013/02/21/data-penelitian-mengenaitwitter-dan-audiens-community-di-industry-televisi-di-indonesia/

[4

Februari 2014]
PBC Information. (2013). Word Cloud Definition. Retrieved 01 27, 2014,from
PBC
Information:http://www.peachbelt.com/information/thePBCis/wordcloud
Prabowo, Sigit. (2013). Makalah Data Mining. Jakarta: Fakultas Ilmu Komputer
UPN
Pramudiana, Yudi dan Amira Dewiningtias. (2012). The Utilization of Twitter
Social Media and Its Benefits Toward the Development of Audience
Community in Indonesias TV Industry. Singapore: 2012 International
Conference on Economics Marketing and Management IPEDR Vol.28
(2012)(2012) IACSIT Press.
Pramudiono, I., (2007), Algoritma Apriori, http://datamining.japati.net/cgibin/indodm.cgi?bacaarsip&1172210143 [4 Februari 2014].
Pramudiono,

I.

(2007). Pengantar

Data

Mining:

Menambang

Permata

Pengetahuan di Gunung Data.

http://www.ilmukomputer.org/wp-content/uploads/2006/08/ikodatamining.zip [4 Februari 2014]
Pratondo, B.J. (2002). Sistem Pengendalian Banjir di JABODETABEK.
http://bebasbanjir2025.wordpress.com/10-makalah-tentang-banjir-2/bjpratondo/. Diakses 28 Januari 2014

Samputri, Riena. (2013). Contoh Proposal Penelitian Banjir di Jakarta. Opini. 4

Juni 2013.
http://ryunana.blogspot.com/2013/06/contoh-proposal-penelitian-banjirdi.html [3 februaru 2014]
Santosa Budi. 2007, Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis, Graha Ilmu, Yogyakarta
Setiawan, Atje, Fathimah Fatihul, Rudi Rosadi. (2009). Asosiasi Data Mining
Menggunakan Algoritma FP-Growth Untuk Market Basket Analysis.
Bandung: FMIPA UNPAD.
Ward P.J.; Marfai, M.A.; Yulianto F.; Hizbaron, D.R.; dan Aerts, J.C.J.H. 2010.
Coastal inundation and damage exposure estimation: a case study for
Jakarta. Natural Hazards, 56, 899-916.
Wedhaswary, Inggried Dwi. (2014). Indonesia Darurat Bencana. Opini. 20
Januari 2014.
http://nasional.kompas.com/read/2014/01/20/0713023/Indonesia.Darurat.B
encana. [04 Januari 2014]