Ini 9 Kota Paling Banyak Keluhkan Macet di Twitter

Jakarta, Beritasatu.com - Tech startup lokal Pacmann merilis laporan mengenai percakapan warganet mengenai isu macet di media sosial Twitter di Indonesia. Berdasarkan laporan itu, terdapat nyaris setengah juta cuitan yang memuat kata kunci macet di Twitter.

Pacmann menganalisis tweets tersebut dengan machine learning model named-entity recognition guna mendeteksi daerah mana saja yang warganet paling sering keluhkan soal macet dari 1 Januari hingga 21 Oktober 2022.

"Model kami berhasil mendeteksi lebih dari 6.000 daerah di Indonesia mulai dari tingkat desa/kelurahan hingga provinsi," ungkap CEO dan Chief of Data Scientist di Pacmann Adityo Sanjaya dalam laporan Pacmann yang dikutip Beritasatu.com, Kamis (3/11/2022).

Terungkap, Jakarta menjadi daerah yang paling banyak warganet keluhkan soal macet dengan mention lebih dari 30.000 kali dari total lebih dari 110.000 tweets yang terdeteksi memuat nama daerah. Kemudian, di tempat kedua dan ketiga ada Bandung dan Yogyakarta dengan jumlah mention masing-masing sekitar 8.000 dan 4.000. Melengkapi daftar lima besar, tweetsyang memuat macet di Bogor dan Bekasi masing-masing berjumlah 3.500-an.

Urutan keenam hingga kesembilan berturut-turut yaitu Surabaya 2.702 tweets, Depok 2.302 tweets, Malang 2.183 tweets, Semarang 1.652 tweets, dan daerah lainnya 51. 835 tweets.

Selain sembilan kota tersebut, daerah-daerah administrasi di tingkat lebih rendah yang juga terdeteksi di tweetstentang macet antara lain Ciputat, Cikarang, Manggarai, dan Cileungsi.

Baca Juga: Libur Panjang, Lalu Lintas Puncak Bogor Macet 2 Kilometer

Selain memakai machine learning model named-entity recognition, Pacmann juga menganalisis kata-kata apa saja yang paling berdekatan dengan kata macet dengan cara merepresentasikan semua kata di dalam data menjadi vektor. Singkatnya, metode ini menerapkan model jaringan saraf (neural network) yang dirancang untuk memperhitungkan asosiasi kata di dalam data tekstual seperti tweets.

Diketahui, kata-kata yang paling berdekatan di dalam data yang dianalisis Pacmann antara lain jam, banjir, jalan, tol, pulang, hujan, mudik, pagi, capek, kerja, arus, mobil, dan berangkat.

Sebagai informasi, named-entity recognition dan Word2Vec pada dasarnya adalah penerapan dari natural language processing (NLP) yang merupakan cabang dari artificial intelligence. Dengan NLP kita dapat menganalisis data tekstual, yang merupakan data tak terstruktur (unstructured data).

Baca Juga: Banjir Parah, Jalan Raya Sawangan Depok Macet 3 Km