Resume jurnal

Jurnal 27

#London2012: Menuju Perencanaan Kota Berkontribusi Warga Negara Melalui AnalisisSentimen Data Twitter

1. Pendahuluan

Metode tradisional, seperti kuesioner ataupenghitungan, tidak mampu menangani skala temporal dan spasial yang baik sekali, atau mereka sangatmemakan sumber daya dan, karenanya, lambat dan mahal, dan karenanya tidak mutakhir. Di sinilahkeunggulan era yang didorong oleh data menjadirelevan, paling konkret dengan memperhatikanketersediaan data media sosial secara real-time. Data ini memberikan wawasan kontekstual yang tak terlihatke dalam fenomena spa-tiotemporal pada skala yang lebih baik di kota-kota melalui jejak digital penggunapada platform online yang berbeda seperti Twitter, Foursquare / Swarm dan Flickr (Abbasi, Rashidi, Maghrebi, & Waller, 2015; Aubrecht, Ungar , & Freire, 2011; Crooks et al., 2015; Girardin, Vaccari, Gerber, Bider-man, & Ratti, 2009). Ini sangat penting untukperencanaan larangan berurusan dengan optimalisasijaringan yang disebutkan di atas.

Suatu aspek yang sangat penting untukperencanaan kota adalah penyelidikan efek dari acara besar yang direncanakan, mempertimbangkanpenduduk dan pengunjung. Peristiwa-peristiwa inimemiliki peran khusus dalam perencanaan karenabiasanya bersifat sementara dan memerlukan keadaandan kondisi yang benar-benar berbeda dibandingkandengan rutinitas rata-rata harian kehidupan kota.

Dengan demikian, analisis pada skala temporal yang baik tidak dapat dihindari untuk memeriksamobilitas warga, yang dapat membantu dalammendeteksi pola dan anomali melalui pemahamanmasalah atau fenomena yang mendasarinya dalamkonteks transportasi perkotaan. Sebagai contoh, lintasan warga dan jumlah orang yang bergerak di kotabervariasi dari waktu ke waktu sepanjang hari, tetapijuga antara hari tergantung pada cuaca, hari kerja, acara yang direncanakan dan tiba-tiba, kepadatan lalulintas, dan banyak faktor lainnya ( Sagl, Resch, Hawelka, & Beinat, 2012). Oleh karena itu, statistikkomuter tahunan tradisional tidak informatif pada skalaspasial dan temporal yang begitu baik karena sebagianbesar diproduksi hanya sekali atau dua kali per tahundan diagregasikan ke unit perencanaan tata ruang.

2. Metodologi

Pre-processing – Semantic Analysis – Spatiotemporal Data Processing

3. Hasil dan Kesimpulan

Temuan kami secara valid menjawab pertanyaanpenelitian kami: Melalui analisis spasial dan temporerdari tweet, kami dapat mengidentifikasi pola yang signifikan dalam hal dua kelompok pengguna yang ditentukan serta untuk hari-hari sebelum, selama dan setelah acara. Selain itu, ketidakpastian yang berasaldari identifikasi anggota masing-masing kelompokkarena kurangnya de-tail tambahan dapat dikurangidengan mengintegrasikan set data lebih lanjut(misalnya, naik taksi, jaringan sepeda dan penggunaantransportasi umum, data ponsel).

Kesimpulannya, studi kasus ini juga sesuai untukmenggambarkan potensi penggunaan data media sosialuntuk analisis sentimen dan pemodelan topik untukmemberikan umpan balik umum mengenai acara besaryang direncanakan. Namun demikian, ada beberapacara yang mungkin untuk perbaikan di luar ruanglingkup studi saat ini yang juga dapat membantumengatasi beberapa keterbatasan yang telahdisebutkan. Salah satu opsi tersebut adalah merancangalat analitik geovisual untuk menginterpretasikan data dalam jumlah besar (mis., Peta, grafik, tweet, periodewaktu), juga mendukung pengguna yang kurang akrabdengan konsep dan metode GIS. Selain itu, sebagaiprospek perencanaan partisipatif, pengetahuan yang diperoleh dapat disajikan dalam platform InformasiGeografis Sukarela, yang terhubung langsung ke acara dan di mana orang dapat memberikan umpan balikdengan data lokasi.