SISTEM PEMANTAU INFLUENZA LIKE ILLNESS DAN VISUALISASINYA MEMANFAATKAN TWITTER.

1 Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

BAB I

PENDAHULUAN

1.1 Latar Belakang

Mikroblog adalah salah satu bentuk blog yang memungkinkan penggunanya untuk berbagi konten digital. Perbedaan mikroblog dengan blog biasa terletak pada ukuran posting. Mikroblog memiliki batasan karakter yaitu antara 140-200 karakter, sedangkan pada blog biasa jumlah karakter tidak dibatasi. Mikroblog sangat populer dikalangan jejaring sosial yang digunakan untuk membuat atau memperbarui konten dan menciptakan rasa komunitas online.

Twitter merupakan mikroblog paling populer saat ini yang terus berkembang sejak awal kemunculannya di tahun 2006. Twitter memungkinkan penggunanya untuk berbagi informasi dengan tulisan sepanjang maksimum 140 karakter yang disebut tweet. Berdasarkan data bulan Juli 2014, Twitter telah memiliki 645 juta pengguna aktif, menghasilkan 9.100 tweets setiap detik dan mengatasi 2,1 milyar search engine queries setiap harinya (Statisticbrain, 2014). Indonesia merupakan negara peringkat ketiga di Asia Pasifik dengan pengguna twitter aktif yaitu sebesar 22,1 juta (Statista, 2015). Maka informasi dari twitter dapat digunakan sebagai sumber untuk mencari pengetahuan yang berharga.

Twitter menyediakan sumber informasi yang besar dan mudah didapat. Sifat informasinya mengalir secara stream dan up-to-date. Namun, karena topik di twitter sangat beragam, maka dibutuhkan pemrosesan tweet untuk memperoleh informasi yang berharga. Selain topiknya beragam, cara penulisan juga beragam. Banyak tweet yang mengandung noise seperti emoticon, singkatan, bahasa gaul,

link dan kata-kata yang tidak bermakna (Doan, dkk., 2012).

Pengetahuan yang diperoleh dari twitter dapat menunjang berbagai bidang, salah satunya bidang kesehatan. Topik yang dipilih pada penelitian ini yaitu mengenai penyebaran Influenza Like Illness (ILI) di Indonesia. ILI bukan sebuah penyakit, melainkan diagnosa medis atau gejala terhadap suatu penyakit yang dapat menyebabkan wabah. Pada banyak negara yang memiliki empat musim, pemantauan terhadap ILI dilakukan secara musiman karena influenza dapat

2

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.e du | perpustakaan.upi.edu

menyebabkan kematian. Untuk negara tropis seperti Indonesia, influenza dianggap sebagai hal biasa, namun pemantauan terhadap ILI penting dilakukan karena menjadi titik awal dalam deteksi penyebaran penyakit yang mewabah seperti flu burung (Sampurno, dkk., 2011). Kasus flu burung di Indonesia mulai menjangkit manusia pada tahun 2005. Sejak saat itu tercatat sebanyak 197 kasus flu burung menjangkit manusia dengan jumlah korban meninggal sebanyak 165 orang dan merupakan kasus kematian paling tinggi di dunia (Depkes RI, 2014). Kejadian tersebut membuktikan perlu adanya tindakan pencegahan untuk memperbaiki perencanaan kesehatan sebelum sebuah wabah menular.

Pemantauan terhadap penyebaran ILI di Indonesia telah dilakukan oleh badan terkait melalui sentinel surveillance (WHO, 2012). Namun demikian, pemantauan masih menggunakan sistem manual yaitu dengan teknik wawancara. Selain itu pemantauan baru dilakukan pada daerah ujicoba dan belum mencakup seluruh wilayah Indonesia (Kusriastuti, 2012).

Pemantauan ILI secara otomatis telah dilakukan sebelumnya dengan menggunakan data dari twitter. Cullota menggunakan teknik klasifikasi untuk membuang data yang merupakan false alarm. Pertama dengan membuat dataset yang diklasifikasikan ke dalam dua kelas yaitu positive dan negative secara manual. Hasil klasifikasi dengan 10-fold cross validation menghasilkan akurasi sebesar 84,29%. Hasil klasifikasi untuk tweet positif influenza kemudian dikorelasikan dengan data CDC dan menghasilkan korelasi sebesar 78% (Cullota, 2010). Penelitian yang dilakukan oleh Aramaki, dkk. difokuskan pada pembagian

tweet influenza negatif dan positif. Kalimat yang dinyatakan positif jika kalimat

tersebut present tense atau recent past. Dilakukan klasifikasi dengan beberapa classifier, dihasilkan f-measure tertinggi sebesar 75,6% menggunakan SVM. Data hasil klasifikasi dengan kelas positif kemudian dibandingkan dengan data CDC dan memperoleh korelasi sebesar 89% (Aramaki, dkk). Namun demikian, pemantauan ILI di Indonesia dengan menggunakan twitter belum pernah dilakukan sebelumnya. Oleh karena itu, dengan memanfaatkan twitter akan dibuat sistem yang dapat mengklasifikasikan ILI dan visualisasi berupa sistem pemantau.

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.e du | perpustakaan.upi.edu

Klasifikasi teks berfungsi untuk mengelompokkan suatu teks ke dalam suatu kategori atau kelas tertentu. Visualisasi informasi merupakan penggunaan interaksi visual dari komputer untuk merepresentasikan data yang abstrak agar lebih dipahami. Tujuan visualisasi yaitu untuk membantu orang dalam penerimaan informasi sehingga memperoleh keputusan yang lebih baik (Few, dkk., 2010).

Metode yang digunakan pada penelitian ini yaitu menggunakan teknik klasifikasi dengan algoritma improved kNN (K-Neareast Neighbors). Eksperimen dilakukan dengan mengadaptasi proses klasifikasi yang dilakukan Cullota (2010) dan Aramaki, dkk. (2011). Proses pertama yaitu mengklasifikasikan tweet dalam satu tahap yaitu memisahkan tweet flu dan tweet bukan flu. Selain itu dilakukan klasifikasi dalam dua tahap. Pertama untuk memisahkan antara tweet sakit (menyatakan sakit) dan tweet bukan sakit (membicarakan sakit secara umum). Kemudian tweet dengan kategori sakit diklasifikasikan kembali menjadi tweet flu (menyatakan flu) dan tweet bukan flu (menyatakan sakit, namun bukan flu). Nantinya akan dibandingkan hasil klasifikasi dalam satu tahap dan hasil klasifikasi dalam dua tahap.

kNN merupakan salah satu algoritma klasifikasi teks yang banyak digunakan karena efektivitasnya dan kemudahan penggunaannya. Proses klasifikasi pada algoritma kNN yaitu dengan mencari nilai kemiripan antara data uji dengan data latih. Kekurangan pada algoritma kNN yaitu membutuhkan alokasi memori yang besar dan lamanya waktu komputasi karena setiap satu data masukan akan dibandingkan dengan seluruh data latih. Untuk mengatasi masalah tersebut, maka pada improved kNN ditambahkan similarity function untuk mengukur kedekatan ketetanggan. Pemilihan improved kNN ini dikarenakan akurasinya menjadi lebih tinggi pada jenis short text dibandingkan classifier lain seperti Naïve Bayes dan SVM (Khamar, 2013).

Dari penjelasan di atas, penulis akan melakukan penelitian tentang penyebaran ILI di Indonesia dengan memanfaatkan twitter menggunakan teknik klasifikasi dengan algoritma improved kNN.

4

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.e du | perpustakaan.upi.edu

1.2 Rumusan Masalah

Rumusan masalah yang akan dibahas pada penelitian ini adalah :

1. Bagaimana cara mengklasifikasikan tweet dengan menggunakan improved kNN?

2. Apakah visualisasi informasi yang disajikan dapat mempermudah orang untuk memantau penyebaran ILI?

1.3 Batasan Masalah

Adapun batasan masalah terhadap penelitian ini, diantaranya: 1. Data diambil dari pengguna twitter berbahasa Indonesia. 2. Data lokasi tweet diambil dari profil pengguna.

3. Pengambilan data terbatas pada tweet yang mengandung kata kunci yang telah ditentukan yaitu ‘flu’, ‘batuk’, ‘sakit tenggorokan’, ‘sakit kepala’, ‘pilek’, ‘meler’ dan ‘bersin’.

1.4 Tujuan Penelitian

Tujuan diadakannya penelitian ini yaitu:

1. Dapat mengklasifikasikan tweet menggunakan improved kNN.

2. Dapat memvisualisasikan informasi sehingga memudahkan orang untuk memantau penyebaran influenza.

1.5 Manfaat Penelitian

Dengan adanya penelitian ini, diharapkan dapat memberikan manfaat sebagai berikut.

1. Memberikan alat yang memudahkan dalam pemantauan Influenza Like

Illness di Indonesia.

2. Dapat menjadi rujukan untuk penelitian selanjutnya yang memiliki keterkaitan dengan penelitian ini, baik langsung atau tidak langsung.

1.6 Sistematika Penulisan

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.e du | perpustakaan.upi.edu

BAB I PENDAHULUAN

Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematikan penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini berisi tentang teori dan konsep terkait penelitian. BAB III METODOLOGI PENELITIAN

Bab ini berisi langkah- langkah yang akan dilakukan dalam penelitian. BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini berisi uraian dan pembahasan terhadap penelitian yang dilakukan. BAB V KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan terkait penelitian dan saran dari penulis untuk kegiatan penelitian selanjutnya terkait dengan topik yang sedang dibahas.

67 Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan .upi.edu

BAB V

KESIMPULAN DAN SARAN

4.4 Kesimpulan

Kesimpulan dari penelitian Sistem Pemantau Influenza Like Illness dan Visualisasinya Memanfaatkan Twitter sebagai berikut.

1. Data twitter dapat digunakan untuk mendeteksi adanya influenza like

illness di Indonesia. Namun tweet tidak dapat digunakan secara langsung

karena data tweet banyak mengandung noise. Diperlukan proses-proses sebelum data disajikan dalam bentuk visualisasi. Dengan cara membagi klasifikasi dalam dua tahap, hasil eksperimen dengan menggunakan

improved kNN mendapatkan akurasi yang lebih tinggi jika dibandingkan

dengan satu tahap klasifikasi. Untuk klasifikasi dua tahap pada tahap pertama untuk mengklasifikasikan tweet sakit dan bukan sakit menghasilkan akurasi sebesar 92,706% dengan k=1. Hasil eksperimen tahap kedua untuk tweet flu dan bukan flu menghasilkan akurasi sebesar 91,847% dengan k=1. Sedangkan jika hanya menggunakan satu tahap klasifikasi, nilai akurasi sebesar 78,809% dengan k=10 hasilnya sama dengan penelitian sebelumnya oleh Cullota (2010).

2. Visualisasi yang disajikan mendapatkan respon yang baik dari pengguna. Antar muka yang disajikan baik dari sisi grafis maupun pemilihan warna dinilai membantu pengguna untuk memantau penyebaran ILI. Beberapa responden menginginkan informasi dapat dipersempit dari setiap provinsi menjadi setiap kota dengan informasi tweet secara realtime. Secara keseluruhan, visualisasi dinilai baik dan dapat membantu untuk pemantauan ILI meskipun perlu dilakukan beberapa perbaikan sebelum visualisasi dapat digunakan secara luas.

4.5 Saran

Saran-saran yang diberikan pada penelitian ini untuk pengembangan lebih lanjut adalah sebagai berikut.

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

1. Perlu dilakukan praproses teks yang lebih baik agar data yang digunakan lebih berkualitas dan meminimalkan noise, cara-cara yang dapat dilakukan seperti membuat kamus kata baku, membuat proses untuk mengatasi kesalahan penulisan dan menambah daftar stopword dan sinonim.

2. Pada tahap pelabelan tweet dapat ditambahkan analisis dari sisi tata bahasa dan kultur bahasa.

3. Perlu dilakukan penelitian untuk kasus yang sama dengan menggunakan algoritma yang berbeda, lalu membandingkan hasil akurasinya dengan algoritma kNN.

4. Diperlukan data tweet yang lebih banyak dengan rentang waktu yang lama. Pencarian data lokasi user sangat sulit di Twitter, maka dapat dikombinasikan dengan menggunakan social media lain seperti

foursquare.

5. Berdasarkan beberapa saran dari responden, visualisasi dapat disajikan secara realtime dan tidak hanya visualisasi sebatas provinsi namun juga setiap kota. Disarankan juga untuk menambah jenis visualisasi seperti penambahan grafik perbandingan ketika provinsi di klik.

69 Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

DAFTAR PUSTAKA

APJII (2012). “Profil Pengguna Internet Indonesia 2012”. Asosiasi Penyelenggara Jasa Internet Indonesia.

Aramaki, E., Maskawa, S. dan Morita, M. (2011). “Twitter Catches The Flu : Detecting Influenza Epidemics using Twitter”. Proceedings of the 2011 Conference Association for Computational Linguistics. 1568-1576.

Archekar H, dkk. (2011). “Twitter Improves Seasonal Influenza Prediction”.

IEEE Infocom, 2011 workshop on on Cyber-Physical Networking Systems (CPNS).

Baoli, L., Shiwen, Y. dan Qin, L. (2003). “An Improved k-Nearest Neighbor Algorithm for Text Categorization”. Proceedings of the 20th International Conference on Computer Processing of Oriental Languages, China.

Cedraschi, C., dkk. (2013). “Representations of Influenza and Influenza-like Illness in the Community – a Qualitative Study”. Bio Medical Central Family Practice.

Chawla, N.V., Bowyer, K.W., dkk. (2002). “SMOTE : Synthetic Minority Over -Sampling Technique”. Journal of Artificial Intelligence Research.

Chawla, N.V. (2005). Data Mining for Imbalanced Datasets : An Overview. Data Mining and Knowledge Discovery Handbook.

Culotta, Aron. (2010). “Towards Detecting Influenza Epidemics by Analyzing Twitter Messages”. 1st Workshop on Social Media Analytics.

Deokar, S. (2009). Weighted K Nearest Neighbor. [Online]. Tersedia: http://www.csee.umbc.edu/~tinoosh/cmpe650/slides/K_Nearest_Neighbor _Algorithm.pdf [8 Maret 2014]

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Doan, Son dan Collier, Nigel. (2012). “Enhancing Twitter Data Analysis with Simple Semantic Filtering : Example in Tracking Influenza-Like Illness”. IEEE Second Conference on Healthcare Informatics, Imaging and Systems Biology.

Feldman, R. dan Sanger J. Text Mining Handbook: Advanced Approaches in

Analyzing Unstructured Data. Cambridge: Cambridge University.

Few, Stephen. (2010). “Information Visualization, Design and the Arts Collision or Collaboration?”. Perceptual Edge (Januari, 2010).

Han, J. dan Kamber, M. (2006). Data Mining Concepts and Technique Second

Edition. Australia: Elsevier.

Horn, C. (2010). Analysis and Classification of Twitter Messages. Master Tesis pada Graz University of Technology. Austria: Know Center Technische Universitat Graz.

Kartasasmita, B.C., dkk. (2003). HTA Indonesia Imunisasi Influenza untuk anak

dan Dewasa. [Online]. Tersedia: http://buk.depkes.go.id/index.php?option=com_docman&task=doc_downl oad&gid=258&Itemid=58 [14 September 2013]

Khamar, K. (2013). “Short Text Classification Using kNN Based on Distance Function”. International Journal of Advanced Research in Computer and Communication Engineering. 28, (4), 1916-1919.

Kosma, L. (2008). k Nearest Neighbors Algorithm (kNN). [Online]. Tersedia: http://www.lkozma.net/knn2.pdf [4 Januari 2014]

Kusriastuti, R. (2012). Enhanced Influenza Surveillance for H5N1 & Seasonal

Influenza in East Jakarta District, Indonesia. [Online]. Tersedia:

http://www.who.int/influenza_vaccines_plan/resources/Session2_Case_St udies_Indonesia_Rita_Kusriastuti.pdf [10 Juni 2013]

71

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Krein, P. (2012). Clinical Diagnosis of Influenza-Like Illness: the Flu and

Beyond. [Online]. Tersedia: http://www.mlo-

online.com/articles/201211/clinical-diagnosis-of-influenza-like-illness-the-flu-and-beyond.php [29 Januari 2014]

Lampos, V., Bie T.D. dan Cristianini, N. (2010). “Flu Detector - Tracking

Epidemics on Twitter”. European Conference, ECML PKDD. 599-602.

McBride, J. R. (2002). Introduction to System Analysis, Rapid Application

Development. Prentice-Hall, Inc.

Roscoe, J.T. (1975). Fundamental Research Statistics for the Behavioral Sciences

2nd Edition. New York : Holt Rinehart & Winston.

Sampurno, O.D., dkk. (2011). Influenza Division International Activities.

[Online]. Tersedia:

http://www.cdc.gov/flu/international/program/index.htm [10 Juni 2013]

Schrek, O. (2012). Iterative vs Incremental. [Online]. Tersedia: http://www.slideshare.net/OliverSchreck/iterative-vs-incrementalss [22 Februari 2015]

Sebastiani, F. (2002). “Machine Learning in Automated Text Categorization”.

ACM Journal.

Sommerville, I. (2011). Software Engineering 9th Edition. Pearson.

Statista. (2015). Number of Twitter users in Asia Pacific from 2012 to 2018, by

country (in millions). [Online]. Tersedia:

http://www.statista.com/statistics/303861/twitter-users-asia-pacific-country/ [21 Februari 2015]

Statistic Brain. (2014). Twitter Statistic. [Online]. Tersedia: http://www.statisticbrain.com/twitter-statistics/ [22 Januari 2014]

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Ware, Colin. (2004). Information Visualization: Perception for Design, 2nd

Edition. Australia: Elsevier.

WHO Global Influenza Programme Surveillance and Epidemiology team. (2012).

WHO Interim Global Epidemiological Surveillance Standards for Influenza. USA: WHO.

Wibisono, Y. (2011). Sistem Analisis Opini Microblogging Berbahasa Indonesia. Jurnal FPMIPA UPI.

Witten, I. H. (2004). Text Mining. [Online]. Tersedia: http://www.cs.waikato.ac.nz/~ihw/papers/04-IHW-Textmining.pdf [3 Maret 2014]

Yong, Z., Youwen, L., dkk. (2009). “An Improved NN Text Classification Algorithm Based on Clustering”. Journal of Computers. 4, (3).

67 Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan .upi.edu

BAB V

KESIMPULAN DAN SARAN 4.4 Kesimpulan

Kesimpulan dari penelitian Sistem Pemantau Influenza Like Illness dan Visualisasinya Memanfaatkan Twitter sebagai berikut.

1. Data twitter dapat digunakan untuk mendeteksi adanya influenza like illness di Indonesia. Namun tweet tidak dapat digunakan secara langsung karena data tweet banyak mengandung noise. Diperlukan proses-proses sebelum data disajikan dalam bentuk visualisasi. Dengan cara membagi klasifikasi dalam dua tahap, hasil eksperimen dengan menggunakan improved kNN mendapatkan akurasi yang lebih tinggi jika dibandingkan dengan satu tahap klasifikasi. Untuk klasifikasi dua tahap pada tahap pertama untuk mengklasifikasikan tweet sakit dan bukan sakit menghasilkan akurasi sebesar 92,706% dengan k=1. Hasil eksperimen tahap kedua untuk tweet flu dan bukan flu menghasilkan akurasi sebesar 91,847% dengan k=1. Sedangkan jika hanya menggunakan satu tahap klasifikasi, nilai akurasi sebesar 78,809% dengan k=10 hasilnya sama dengan penelitian sebelumnya oleh Cullota (2010).

2. Visualisasi yang disajikan mendapatkan respon yang baik dari pengguna. Antar muka yang disajikan baik dari sisi grafis maupun pemilihan warna dinilai membantu pengguna untuk memantau penyebaran ILI. Beberapa responden menginginkan informasi dapat dipersempit dari setiap provinsi menjadi setiap kota dengan informasi tweet secara realtime. Secara keseluruhan, visualisasi dinilai baik dan dapat membantu untuk pemantauan ILI meskipun perlu dilakukan beberapa perbaikan sebelum visualisasi dapat digunakan secara luas.

4.5 Saran

Saran-saran yang diberikan pada penelitian ini untuk pengembangan lebih lanjut adalah sebagai berikut.

68

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

1. Perlu dilakukan praproses teks yang lebih baik agar data yang digunakan lebih berkualitas dan meminimalkan noise, cara-cara yang dapat dilakukan seperti membuat kamus kata baku, membuat proses untuk mengatasi kesalahan penulisan dan menambah daftar stopword dan sinonim.

2. Pada tahap pelabelan tweet dapat ditambahkan analisis dari sisi tata bahasa dan kultur bahasa.

3. Perlu dilakukan penelitian untuk kasus yang sama dengan menggunakan algoritma yang berbeda, lalu membandingkan hasil akurasinya dengan algoritma kNN.

4. Diperlukan data tweet yang lebih banyak dengan rentang waktu yang lama. Pencarian data lokasi user sangat sulit di Twitter, maka dapat dikombinasikan dengan menggunakan social media lain seperti foursquare.

5. Berdasarkan beberapa saran dari responden, visualisasi dapat disajikan secara realtime dan tidak hanya visualisasi sebatas provinsi namun juga setiap kota. Disarankan juga untuk menambah jenis visualisasi seperti penambahan grafik perbandingan ketika provinsi di klik.

69 Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

DAFTAR PUSTAKA

APJII (2012). “Profil Pengguna Internet Indonesia 2012”. Asosiasi Penyelenggara Jasa Internet Indonesia.

Aramaki, E., Maskawa, S. dan Morita, M. (2011). “Twitter Catches The Flu : Detecting Influenza Epidemics using Twitter”. Proceedings of the 2011 Conference Association for Computational Linguistics. 1568-1576.

Archekar H, dkk. (2011). “Twitter Improves Seasonal Influenza Prediction”. IEEE Infocom, 2011 workshop on on Cyber-Physical Networking Systems (CPNS).

Baoli, L., Shiwen, Y. dan Qin, L. (2003). “An Improved k-Nearest Neighbor Algorithm for Text Categorization”. Proceedings of the 20th International Conference on Computer Processing of Oriental Languages, China. Cedraschi, C., dkk. (2013). “Representations of Influenza and Influenza-like

Illness in the Community – a Qualitative Study”. Bio Medical Central Family Practice.

Chawla, N.V., Bowyer, K.W., dkk. (2002). “SMOTE : Synthetic Minority Over -Sampling Technique”. Journal of Artificial Intelligence Research.

Chawla, N.V. (2005). Data Mining for Imbalanced Datasets : An Overview. Data Mining and Knowledge Discovery Handbook.

Culotta, Aron. (2010). “Towards Detecting Influenza Epidemics by Analyzing Twitter Messages”. 1st Workshop on Social Media Analytics.

Deokar, S. (2009). Weighted K Nearest Neighbor. [Online]. Tersedia: http://www.csee.umbc.edu/~tinoosh/cmpe650/slides/K_Nearest_Neighbor _Algorithm.pdf [8 Maret 2014]

70

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Doan, Son dan Collier, Nigel. (2012). “Enhancing Twitter Data Analysis with Simple Semantic Filtering : Example in Tracking Influenza-Like Illness”. IEEE Second Conference on Healthcare Informatics, Imaging and Systems Biology.

Feldman, R. dan Sanger J. Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. Cambridge: Cambridge University.

Few, Stephen. (2010). “Information Visualization, Design and the Arts Collision or Collaboration?”. Perceptual Edge (Januari, 2010).

Han, J. dan Kamber, M. (2006). Data Mining Concepts and Technique Second Edition. Australia: Elsevier.

Horn, C. (2010). Analysis and Classification of Twitter Messages. Master Tesis pada Graz University of Technology. Austria: Know Center Technische Universitat Graz.

Kartasasmita, B.C., dkk. (2003). HTA Indonesia Imunisasi Influenza untuk anak

dan Dewasa. [Online]. Tersedia:

http://buk.depkes.go.id/index.php?option=com_docman&task=doc_downl oad&gid=258&Itemid=58 [14 September 2013]

Khamar, K. (2013). “Short Text Classification Using kNN Based on Distance Function”. International Journal of Advanced Research in Computer and Communication Engineering. 28, (4), 1916-1919.

Kosma, L. (2008). k Nearest Neighbors Algorithm (kNN). [Online]. Tersedia: http://www.lkozma.net/knn2.pdf [4 Januari 2014]

Kusriastuti, R. (2012). Enhanced Influenza Surveillance for H5N1 & Seasonal Influenza in East Jakarta District, Indonesia. [Online]. Tersedia: http://www.who.int/influenza_vaccines_plan/resources/Session2_Case_St udies_Indonesia_Rita_Kusriastuti.pdf [10 Juni 2013]

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Krein, P. (2012). Clinical Diagnosis of Influenza-Like Illness: the Flu and

Beyond. [Online]. Tersedia:

http://www.mlo- online.com/articles/201211/clinical-diagnosis-of-influenza-like-illness-the-flu-and-beyond.php [29 Januari 2014]

Lampos, V., Bie T.D. dan Cristianini, N. (2010). “Flu Detector - Tracking

Epidemics on Twitter”. European Conference, ECML PKDD. 599-602.

McBride, J. R. (2002). Introduction to System Analysis, Rapid Application Development. Prentice-Hall, Inc.

Roscoe, J.T. (1975). Fundamental Research Statistics for the Behavioral Sciences 2nd Edition. New York : Holt Rinehart & Winston.

Sampurno, O.D., dkk. (2011). Influenza Division International Activities.

[Online]. Tersedia:

http://www.cdc.gov/flu/international/program/index.htm [10 Juni 2013]

Schrek, O. (2012). Iterative vs Incremental. [Online]. Tersedia: http://www.slideshare.net/OliverSchreck/iterative-vs-incrementalss [22 Februari 2015]

Sebastiani, F. (2002). “Machine Learning in Automated Text Categorization”. ACM Journal.

Sommerville, I. (2011). Software Engineering 9th Edition. Pearson.

Statista. (2015). Number of Twitter users in Asia Pacific from 2012 to 2018, by

country (in millions). [Online]. Tersedia:

http://www.statista.com/statistics/303861/twitter-users-asia-pacific-country/ [21 Februari 2015]

Statistic Brain. (2014). Twitter Statistic. [Online]. Tersedia: http://www.statisticbrain.com/twitter-statistics/ [22 Januari 2014]

72

Indana Zulfa, 2015

SISTEM PEMANTAU INFLUENZA LIKE ILLNESS D AN VISUALISASINYA MEMANFAATKAN TWITTER Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Ware, Colin. (2004). Information Visualization: Perception for Design, 2nd Edition. Australia: Elsevier.

WHO Global Influenza Programme Surveillance and Epidemiology team. (2012). WHO Interim Global Epidemiological Surveillance Standards for Influenza. USA: WHO.

Wibisono, Y. (2011). Sistem Analisis Opini Microblogging Berbahasa Indonesia. Jurnal FPMIPA UPI.

Witten, I. H. (2004). Text Mining. [Online]. Tersedia: http://www.cs.waikato.ac.nz/~ihw/papers/04-IHW-Textmining.pdf [3 Maret 2014]

Yong, Z., Youwen, L., dkk. (2009). “An Improved NN Text Classification Algorithm Based on Clustering”. Journal of Computers. 4, (3).