Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan Topik Monomorphism Pada Data Twitter untuk Promosi Produk

9

Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan

Topik Monomorphism Pada Data Twitter untuk Promosi Produk

Satrio Hadi Wijoyo1, Chastine Fatichah2, Diana Purwitasari3 Program Studi Teknik Informatika, Fakultas Teknologi Informasi,

Institut Teknologi Sepuluh Nopember

Email: satriohawe@gmail.com1, chastine.fatichah@gmail.com2, diana.purwitasari@gmail.com3

ABSTRAK

User berpengaruh merupakan sebuah user yang biasanya populer di twitter dengan ditandai memiliki banyak follower, isi tweet atau pendapatnya sering dikutip atau diikuti oleh akun lainnya dengan ditandai tweet yang sering di retweet, dan namanya sering disebut atau

di-mention. Akan tetapi, ketertarikan tweet user berpengaruh tidak dapat dilihat hanya dari fitur

retweet dan mention saja, melainkan dapat dilihat dari fitur topik monomorphism.Berdasarkan permasalahan tersebut, suatu metode diusulkan kombinasi fitur popularitas user dan topik

monomorphism untuk mendeteksi user berpengaruh pada data twitter untuk promosi produk. Berdasarkan hasil ujicoba, nilai rata-rata akurasi algoritma fuzzy inference system dari produk Iphone sebesar 75,75%, produk Samsung sebesar 79,25%, dan produk Apple sebesar 74,5%. Hasil ini menunjukkan bahwa deteksi user berpengaruh berdasarkan kombinasi fitur popularitas user

dan topik monomorphism menghasilkan keluaran cukup baik.

Kata Kunci: Deteksi user berpengaruh, fitur popularitas user, topik monomorphism fuzzy inference system,twitter.

ABSTRACT

User influence is a user who is usually popular on twitter with marked has many followers, tweet contents or opinions often quoted or followed by other accounts with tweets that are often marked retweet, and his name is often referred to, or mention. However, interest tweet user influence can not be seen only from the feature retweet and mention only, but can be seen from the features monomorphism topic. Based on this problems, a method is proposed combination of features user popularity and monomorphism topic to detect an user influence on the data user twitter for product promotion. Based on the test results, the average value of the accuracy of the algorithm fuzzy inference system of products amounted to 75.75% Iphone, Samsung products amounted to 79.25%, and 74.5% of Apple products. These results indicate that the effect on user detection based on a combination of features user popularity and monomorphism topic produce output is quite good.

Keywords: User influence detection, feature user popularity, monomorphism topic fuzzy inference system, twitter.

1. Pendahuluan

Twitter adalah salah satu platform

yang paling populer dari media sosial lainnya sebagai sumber informasi. Twitter

merupakan sebuah microblog yang dapat menyebarkan atau membagikan informasi berupa tweet dengan sangat cepat dan berbasis real-time. Tweet adalah teks tulisan 140 karakter yang ditampilkan pada halaman profil user (pengguna) [1].

Twitter telah dimanfaatkan banyak

perusahaan melakukan promosi-promosi

produk baru mereka melalui jaringan sosial. Keberhasilan perusahaan untuk promosi produk baru agar banyak pelanggan tertarik menggunakan produk mereka, tidak serta merta hanya karena

user milik perusahaan sendiri di twitter. Melainkan adanya peran aktif user

10

sebuah user yang biasanya populer di

twitter dengan ditandai memiliki banyak

follower. Selain itu, isi tweet atau pendapatnya sering dikutip atau diikuti oleh akun lainnya dengan ditandai tweet

yang sering di retweet dan namanya sering disebut atau di-mention [3].

Banyak metode telah digunakan untuk mengetahui user berpengaruh pada data twitter. Pembentukan Graph

digunakan untuk mengetahui user

berpengaruh berdasarkan perhitungan jumlah friends, jumlah followers, jumlah

mention, jumlah retweet, dan jumlah URLs posted per user [4], [5], [6], dan [7]. Penelitian tersebut menemukan bahwa jumlah followers tidak menunjukkan pengaruh signifikan pada penyebaran tweet

dari user berpengaruh. Tetapi jumlah

retweet menunjukkan pengaruh interaksi antar user. Keempat penelitian tersebut menggunakan Graph untuk mengetahui

user berpengaruh memberikan hasil yang cukup baik, akan tetapi dalam pembentukan Graph membutuhkan node

banyak. Semakin banyak node yang dibutuhkan maka semakin memakan waktu proses yang banyak.

Deteksi atau identifikasi user

berpengaruh tidak selalu menggunakan pembentukan Graph hubungan antar user.

Pada penelitian [3] menggunakan fitur popularitas user seperti fitur jumlah

follower, jumlah retweet, dan jumlah

mention. Hasil penelitian menunjukkan jika jumlah follower dari user tinggi maka menunjukkan user tersebut hanya popular di twitter. Sedangkan jika jumlah retweet

dan jumlah mention yang tinggi maka menunjukkan bahwa tweet dari user

menarik dan user tersebut memiliki pengaruh. Untuk mengetahui ketertarikan

tweet user berpengaruh terhadap suatu topik tidak dapat dilihat hanya dari fitur

retweet dan mention. Akan tetapi, tweet

user dapat diketahui dengan melihat

kesamaan (similarity) tweet user tersebut pada topik-topik tertentu.

Ketertarikan seorang individu atau

user terhadap suatu opini atau pendapat pada satu topik disebut monomorphism. Sedangkan polymorphism adalah ketertarikan seorang individu terhadap pendapat pada topik yang bervariasi [8]. Pada penelitian [9] menggunakan fitur

monomorphism vs. polymorphism, high

latency vs. Low latency, dan information inventor vs. information spreader untuk melakukan prediksi user berpengaruh di

twitter dari segi penyebaran informasi secara dinamik. Cosine similarity

digunakan untuk menghitung kesamaan antara dua topik sebagai topik similarity

dari tweet user.

Berdasarkan permasalahan tersebut, suatu metode diusulkan untuk mendeteksi user berpengaruh berdasarkan kombinasi fitur popularitas user dan topik

monomorphism pada data twitter untuk promosi produk. Selain itu, pada penelitian ini akan melakukan leveling atau tingkatan dari user berpengaruh menggunakan fuzzy

untuk mengetahui seberapakah user

tersebut berpengaruh di twitter. Dengan adanya usulan tersebut diharapkan pemilik produk atau perusahaan dapat mengetahui

user berpengaruh yang sedang popular di

twitter.

2. Deteksi User Berpengaruh pada Twitter Twitter adalah sebuah situs web yang dimiliki dan dioperasikan oleh Twitter Inc., yang menawarkan jaringan sosial berupa mikroblog sehingga memungkinkan penggunanya untuk mengirim dan membaca pesan yang disebut kicauan (tweets). Tweets adalah teks tulisan hingga 140 karakter yang ditampilkan pada halaman profil pengguna (User). Pengguna dapat melihat tweets

pengguna lain yang dikenal dengan sebutan pengikut (followers). Tweet yang menyebut nama user dan menunjukkan kemampuan user yang terlibat dengan user

lain dalam percakapan disebut mention.

11 kemampuan user yang menghasilkan

konten dengan nilai bersamaan [1].

User berpengaruh (influencer) bisa siapa saja, bukan hanya artis ataupun selebritis dunia hiburan seperti televisi dan perfileman tetapi juga pada bidang-bidang lain seperti politik, budaya, ekonomi, olahraga, dan sebagainya. Para selebriti tersebut, kemudian menggunakan twitter

sebagai media mereka menyampaikan informasi kepada para penggemarnya. Banyak user yang berperan untuk menjadikan dirinya sebagai selebriti di

twitter. Berbagai jenis profesi bisa dianggap sebagai selebriti seperti user

berpengaruh. Peran selebriti untuk mendorong banyaknya promosi produk serta kampanye periklanan di twitter. Sehingga dibutuhkan deteksi user

berpengaruhpada twitter.

User berpengaruh merupakan sebuah user yang biasanya populer di

twitter dengan ditandai memiliki banyak

follower. Selain itu, isi tweet atau pendapatnya sering dikutip atau diikuti oleh akun lainnya dengan ditandai tweet

yang sering di retweet dan namanya sering disebut atau di-mention [3]. User

berpengaruh ini akan menyebarkan informasi di twitter dan nantinya diharapkan akan menyebar dan diperbincangkan banyak followers.

3. Monomorphism dan Polymorphism

Pengertian monomorphism adalah kecenderungan atau ketertarikan bagi seseorang individu terhadap opini atau pendapat untuk hanya satu topik atau tunggal topik. Sedangkan polymorphism

adalah kecenderungan atau ketertarikan suatu individu terhadap opini untuk berbagai topik atau bervariasi topik [8]. Dalam media sosial, pengguna dengan

monomorphism tinggi biasanya selalu

fokus pada satu topik yang tetap, sedangkan pengguna polymorphism tinggi akan melakukan posting berbagai topik dari waktu ke waktu. Mengetahui hal ini, pengguna media sosial bisa mendapatkan

keuntungan aplikasi dengan tujuan yang berbeda. Misal, user berpengaruh

monomorphism tinggi harus peringkatnya lebih tinggi dari user berpengaruh

polymorphism dalam aplikasi

rekomendasi. Namun, user berpengaruh

polymorphism tinggi akan lebih diinginkan untuk pengguna bertujuan untuk mengumpulkan informasi umum [9].

Cosine similarity adalah salah satu metode untuk mengukur kemiripan teks dengan menggunakan nilai cosinus sudut antara dua vektor. Konsepnya adalah jika terdapat dua vektor dokumen 𝐷_𝑗 dan 𝐷_𝑘 maka nilai cosinus antara dua pasangan teks tersebut dapat dihitung dengan menggunakan persamaan (1).

𝑐𝑜𝑠𝑠𝑖𝑚(𝐷⃗⃗⃗ , 𝐷𝑗 ⃗⃗⃗⃗ ) =𝑘 ∑ 𝑤𝑗ℎ 𝑚

ℎ=1 × 𝑤𝑘ℎ

√∑ (𝑤𝑚𝑗=1 𝑗ℎ)2 × √∑ (𝑤𝑚𝑗=1 𝑘ℎ)2 (1)

dimana 𝐷_𝑗 dan 𝐷_𝑘 adalah tweet yang dilakukan user, 𝑤_𝑗ℎ adalah bobot dari term ke-h pada 𝐷_𝑗, 𝑤_𝑘ℎ adalah bobot dari

tweet term ke-h pada 𝐷_𝑘, dan h adalah indek dari term yang didapatkan.

4. Metodologi Penelitian 4.1. Metode yang Diusulkan

Pada bagian ini akan dibahas tentang deteksi user berpengaruh berdasarkan kombinasi fitur popularitas

user dan topik monomorphism pada data

twitter untuk promosi produk. Desain sistem dalam penelitian ini terdiri atas tiga bagian utama yaitu: praproses (preprocessing), ekstraksi fitur popularitas

12

Gambar 1. Diagram Metode Penelitian

4.1.1. Data Uji Coba

Tahap berikutnya adalah pengumpulan data yang digunakan dalam penelitian ini adalah data tweet atau dokumen tweet dengan memanfaatkan

Search API yang disediakan oleh twitter.

Sebuah aplikasi dibangun untuk mengambil data tweet tersebut dari twitter

dengan menggunakan search API dengan dibatasi wilayah geografis indonesia untuk mendapatkan data bahasa Indonesia. Dengan menggunakan search API ini, diharapkan mendapatkan berbagai informasi yang dibutuhkan. Data tweet

hanya dibatasi topik-topik produk dari

brand antara lain : Apple, Iphone, dan Samsung. Data tweet dikumpulkan atau dikoleksi selama 2 bulan dengan rentang dari tanggal 17 Maret 2015 sampai 16 Juni 2015.

Gambar 2. menunjukkan contoh

tweet sebuah produk dari brand. Pada suatu tweet tersebut dapat informasi jumlah retweet secara langsung. Contohnya pada tweet yang dilakukan user

dari kompas TV, dapat diperoleh jumlah

retweet sebanyak 7. Berarti tweet tersebut sudah di retweet oleh 7 orang. Pada penelitian ini, jumlah retweet dan jumlah

mention diperoleh dari informasi teks

tweet.

Gambar 2. Contoh Tweet Yang Sebuah Produk

4.1.2. Tahap Praproses Data

Setelah diperoleh dataset yang dibutuhkan untuk penelitian ini. Kemudian dilakukan tahap praproses data untuk menyiapkan data tweet agar siap diproses pada tahap selanjutnya. Tahap praproses dalam penelitian ini terdiri tiga bagian yaitu : pembersihan kata (cleaning term), pemenggalan kata (tokening term), penghapusan stopword (stopword removal), dan perhitungan bobot tf_idf.

Term Frequency Inverse Document

Frequency (tf_idf) adalah konsep

pembobotan term pada sebuah dokumen. Metode ini melakukan perbandingan antara frekuensi kemunculan term j pada kalimat i (𝑡𝑓_𝑖𝑗) dengan frekuensi kalimat yang mengandung term j (𝑑𝑓_𝑗). Bobot

tf_idf dari term j dapat dihitung dengan menggunakan persamaan (2), dimana 𝑡𝑓_𝑖𝑗 adalah frekuensi kata term ke-i pada dokumen ke-j. Konsep tersebut memberikan pengukuran terhadap pentingnya kata term ke-i pada dokumen tersebut. Sedangkan 𝑖𝑑𝑓_𝑖 ditentukan melalui persamaan (3), dimana N adalah jumlah dokumen, 𝑑𝑓_𝑖 adalah jumlah dari dokumen yang mengandung kata term

ke-i.

𝑡𝑓_𝑖𝑑𝑓𝑖𝑗 = 𝑡𝑓𝑖𝑗× 𝑖𝑑𝑓𝑖 (2)

13 4.1.3. Ekstraksi Fitur Popularitas User

Perhitungan retweet pada penelitian ini diperoleh dari teks atau isi tweet. Tweet user yang diposting ulang dengan adanya tanda atau simbol tambahan seperti RT, retweeting, retweet, dan lainnya, serta simbol @nama_user [3]. Bobot retweet

adalah menghitung jumlah retweet dari

tweet user berpengaruh yang terdapat pada

twitter. Perhitungan bobot retweet dari

tweet user mengikuti persamaan (4) seperti berikut.

𝑤1(𝑢𝑠𝑒𝑟𝑖) =_{max (𝑟𝑒𝑡𝑤𝑒𝑒𝑡(𝑢𝑠𝑒𝑟}∑ 𝑟𝑒𝑡𝑤𝑒𝑒𝑡(𝑢𝑠𝑒𝑟𝑖)

𝑝)) (4)

dimana 𝑤₁(𝑢𝑠𝑒𝑟_𝑖) merupakan bobot

retweet dari user ke-i, ∑ 𝑟𝑒𝑡𝑤𝑒𝑒𝑡(𝑢𝑠𝑒𝑟_𝑖) merupakan jumlah retweet dari user ke-i,

dan max (𝑟𝑒𝑡𝑤𝑒𝑒𝑡(𝑢𝑠𝑒𝑟_𝑝)) merupakan nilai maksimal dari jumlah retweet dari sebuah koleksi retweet user, dan p

merupakan jumlah user.

Bobot mention adalah menghitung jumlah mention dari user yang terdapat pada tweet. Nama user yang disebut dalam

tweet user lain dengan adanya tanda atau simbol tambahan seperti @ serta nama dari

user tersebut. Perhitungan bobot mention

mengikuti persamaan (5) seperti berikut.

𝑤2(𝑢𝑠𝑒𝑟𝑖) =_{max (𝑚𝑒𝑛𝑡𝑖𝑜𝑛(𝑢𝑠𝑒𝑟}∑ 𝑚𝑒𝑛𝑡𝑖𝑜𝑛(𝑢𝑠𝑒𝑟𝑖)

𝑝)) (5)

dimana 𝑤₂(𝑢𝑠𝑒𝑟_𝑖) merupakan bobot

mention dari user ke-i, ∑ 𝑚𝑒𝑛𝑡𝑖𝑜𝑛(𝑢𝑠𝑒𝑟_𝑖) merupakan jumlah mention nama dari user

ke-i, dan max (𝑚𝑒𝑛𝑡𝑖𝑜𝑛(𝑢𝑠𝑒𝑟_𝑝)) merupakan nilai maksimal dari jumlah

mention dari koleksi 𝑚𝑒𝑛𝑡𝑖𝑜𝑛user.

4.1.4. Ekstraksi Fitur Topik Monomorphism

Pada penelitian ini untuk mengetahui user berpengaruh yang termasuk topik monomorphism atau

polymorphism dalam melakukan tweet

dihitung dengan cara lain, tidak dihitung menggunakan cosine similarity. Akan tetapi, dengan cara menghitung bobot kemunculan user dalam klaster topik

tweet. Adapun proses ekstraksi fitur topik

monomorphism terdapat 2 tahapan, yaitu :

tahap klasterisasi tweet dan perhitungan bobot kemunculan user dalam klaster.

Pada tahap klasterisasi ini digunakan untuk mengkelompokkan atau membagi koleksi tweet ke dalam sejumlah

cluster. Algoritma klasterisasi yang digunakan dalam penelitian ini adalah algoritma klasterisasi hierarkikal

agglomerative. Setelah itu, dilakukan perhitungan bobot kemuculan user ini mengadopsi dari konsep perhitungan bobot

tf_idf dengan merubah nama variabel agar tidak sama dengan variabel sebelumnya. Sehingga pembobotan kemunculan user

dalam klaster disebut User Frequency Inverse Cluster Frequency (uf_icf). Metode ini melakukan perbandingan antar frekuensi kemunculan user i pada cluster j

(𝑢𝑓_𝑖𝑗) dengan frekuensi cluster yang mengandung user i (𝑐𝑓_𝑖). Bobot uf_icf dari

user i dapat dihitung dengan menggunakan persamaan (6).

𝑢𝑓_𝑖𝑐𝑓𝑖𝑗 = 𝑢𝑓𝑖𝑗 × 𝑖𝑐𝑓𝑖 (6)

dimana 𝑢𝑓_𝑖𝑗 adalah frekuensi user ke-i

pada cluster ke-j. Sedangkan 𝑖𝑐𝑓_𝑖 ditentukan melalui persamaan (7) berikut ini.

𝑖𝑐𝑓𝑖 = log (_𝑐𝑓𝑁_𝑖) (7)

dimana 𝑐𝑓_𝑖 adalah jumlah dari cluster yang mengandung user ke-i dan N adalah jumlah cluster. Hasil dari perhitungan bobot kemunculan user berupa koleksi

user (𝑢_𝑗) dan frekuensinya (𝑓_𝑖𝑗), dimana 𝑝 merupakan total jumlah user sebuah

cluster.

Setelah didapatkan bobot uf_icf

masing-masing user dalam klaster. Kemudian dilakukan perhitungan bobot topik monomorphism dari user.

Perhitungan bobot topik monomorphism

adalah menghitung jumlah bobot uf – icf

dari user yang terdapat pada cluster. Perhitungan bobot topik monomorphism

mengikuti persamaan (8) seperti berikut.

𝑤3(𝑢𝑠𝑒𝑟𝑖) =_{max (𝑢𝑓_𝑖𝑐𝑓(𝑢𝑠𝑒𝑟}∑ 𝑢𝑓 _𝑖𝑐𝑓(𝑢𝑠𝑒𝑟𝑗)

14

user tersebut termasuk topik

monomorphism.

4.1.5. Implentasi Fuzzy Inference System

untuk Deteksi User Berpengaruh

FIS (Fuzzy Inference System) untuk deteksi user berpengaruh mempunyai 3 variabel input dan 1 variabel output. Variabel input terdiri atas rasio retweet,

rasio mention, dan monomorphism. Sedang untuk variabel keputusan atau user

berpengaruh didapatkan dari perbandingan nilai variabel rasio retweet, rasio mention,

dan nilai monomorphism.

Fungsi derajat keanggotaan linear turun digunakan untuk merepresentasikan himpunan fuzzy rendah dan fungsi derajat keanggotaan linear naik untuk himpunan

fuzzy tinggi. Fungsi derajat keanggotaan segitiga digunakan untuk merepresentasikan himpunan fuzzy normal. Untuk fungsi keanggotaan rasio retweet

memiliki label L (rendah), M (sedang), dan H (tinggi). Nilai fungsi keanggotaan dari rasio retweet mengikuti persamaan (9).

𝜇𝑅𝑡𝐿(𝑤1) = {

Nilai fungsi keanggotaan dari rasio

mention mengikutin persamaan (10).

𝜇𝑀𝑒𝐿(𝑤2) = {

Nilai fungsi keanggotaan dari bobot

monomorphism mengikuti persamaan (11).

𝜇𝑀𝑒𝐿(𝑤3) = { keanggotaan dari output mengikuti persamaan (12)

Pembentukan Aturan Fuzzy, dari tiga variabel input dan sebuah variabel output, dengan melakukan analisa data terhadap batas tiap – tiap himpunan fuzzy pada tiap-tiap variabelnya maka terdapat 22 aturan

fuzzy yang akan dipkai dalam sistem ini, dengan susunan aturan IF Retweet AND Mention AND Monomomorphism THAN User Berpengaruh, contoh hasil aturan

15 Tabel 1. Contoh Aturan Fuzzy

Id Rule

Variabel Input _User

Berpengaruh

Retweet Mention Mono

R1 Rendah Rendah Rendah Rendah R2 Rendah Rendah Sedang Rendah R3 Rendah Rendah Tinggi Rendah R4 Rendah Sedang Rendah Rendah R5 Rendah Sedang Sedang Sedang R6 Rendah Sedang Tinggi Rendah R7 Rendah Tinggi Rendah Tinggi R8 Rendah Tinggi Sedang Rendah R9 Rendah Tinggi Tinggi Rendah R10 Sedang Rendah Rendah Rendah R11 Sedang Rendah Sedang Rendah R12 Sedang Rendah Tinggi Rendah R13 Sedang Sedang Rendah Sedang R14 Sedang Sedang Sedang Rendah R15 Sedang Sedang Tinggi Tinggi R16 Sedang Tinggi Rendah Tinggi R17 Tinggi Rendah Rendah Rendah R18 Tinggi Rendah Sedang Sedang R19 Tinggi Rendah Tinggi Sedang R20 Tinggi Sedang Rendah Sedang R21 Tinggi Sedang Sedang Tinggi R22 Tinggi Tinggi Rendah Tinggi

Setelah didapatkan aturan inferensi untuk mendapatkan suatu himpunan fuzzy

digunakan sebagai input dari proses

defuzzifikasi. Hasil dari defuzzifikasi ini merupakan output dari sistem kendali logika fuzzy. Metode defuzzifikasi yang digunakan adalah metode centroid atau

center of area seperti pada persamaan (13).

𝑧∗₌ ∫ 𝜇𝑐(𝑧)𝑧𝑑𝑧

∫ 𝜇𝑐(𝑧)𝑑𝑧 (13)

4.2. Pengujian

4.2.1. Pengujian Kualitas Clustering

Pada penelitian ini yang akan digunakan untuk uji akurasi adalah

internal evaluation, secara khusus dengan menggunakan metode evaluasi Silhouette

Coefficient [11] (Rousseeuw, 1987).

Silhouette coefficient akan mengukur

kualitas cluster yang dihasilkan sekaligus mengindikasikan derajat kepemilikan setiap objek atau data yang berada di dalam cluster. Nilai shilhoutte dari sebuah objek berada pada rentang antara -1

sampai dengan 1. Semakin dekat nilai

silhouette objek ke 1, maka semakin tinggi derajat kepemilikan objek di dalam cluster.

Dimana objek direpresentasikan dengan

tweet. Adapun perhitungan nilai silhoutte

(𝑠(𝑖)) untuk tiap tweet menggunakan persamaan (14) dan (15).

𝑏(𝑖) = max𝐶𝑗≠𝑈{𝑑(𝑖, 𝐶𝑗)} (14) 𝑠(𝑖) =_{max{𝑎(𝑖),𝑏(𝑖)}}𝑏(𝑖)−𝑎(𝑖) (15) dimana 𝑎(𝑖) adalah jarak kedekatan tweet

ke-i terhadap seluruh tweets yang ada di

cluster internal, yaitu cluster tempat tweet

ke-i berada. Sedangkan 𝑏(𝑖) adalah jarak kedekatan antara tweet ke-i terhadap seluruh cluster eksternal, yaitu seluruh

cluster selain cluster internal.

Nilai silhouette akan mengindikasikan derajat kepemilikian tiap objek berdasarkan 3 kriteria yaitu negatif, nol, dan positif. Nilai (𝑠(𝑖)) dengan kriteria negatif overlapping tinggi yang menunjukkan bahwa tweet ke-i tidak berada dalam cluster U. Nilai (𝑠(𝑖)) dengan kriteria nol menunjukkan bahwa

tweet ke-i adalah irisan dari cluster U dan

V. Sedangkan nilai (𝑠(𝑖)) dengan kriteria positif menunjukkan bahwa objek tepat berada pada cluster U.

Setelah didapatkan nilai (𝑠(𝑖)) untuk tiap tweet pada tiap cluster langkah selanjutnya adalah rata-rata nilai (𝑠(𝑖)) untuk tiap cluster atau yang lebih dikenal dengan Average Silhouette Width (ASW). Nilai ASW ini mampu mengindikasikan kualitas clustering. Berdasarkan range nilai ASW yang dihasilkan dibedakan menjadi 4 kriteria (Rousseeuw, 1987), yaitu : sangat baik (dengan range

0,71≤ASW≤1), sudah baik

(0,51≤ASW<0,71), cukup baik

(0,26≤ASW<0,51), dan kurang baik

(ASW<0,26).

4.2.2. Pengujian Pengukuran Kinerja Klasifikasi

16

klasifikasi semuat set data dengan benar, tetapi tidak dapat dimungkiri bahwa kinerja suatu sistem tidak bisa 100% benar. sehingga sistem klasfikasi juga harus diukur kinerjanya. Umumnya, pengukuran kinerja klasifikasi dilakukan dengan matriks konfusi (confusion matrix). Matrik konfusi merupakan tabel pencatat hasil kerja klasifikasi. Kita dapat mengetahui jumlah data dari masing-masing kelas yang diprediksi secara benar dan data yang diklasifikasikan secara salah. Kuantitas matriks konfusi dapat di ringkas manjadi dua nilai, yaitu akurasi dan laju eror. Untuk menghitung akurasi digunakan persamaan (16).

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑠𝑒𝑐𝑎𝑟𝑎 𝑏𝑒𝑛𝑎𝑟_{𝐽𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛} (16)

5. Hasil dan Pembahasan

Pada bab ini dijelaskan mengenai skenario pengujian beserta hasil pengujian yang dilakukan dan analisis hasil uji yang diperoleh. Pengujian dilakukan untuk mengetahui kualitas clustering dari algoritma hirarkikal agglomerative dan nilai akurasi dari algoritma fuzzy inference

system. Pengujian dilakukan dengan

membandingkan nilai betweenness centrality dari hasil software nodexl. Data uji coba yang digunakan pada penelitian ini data twiiter selama 25 hari sebanyak 285.883 tweet dan total user sebanyak 183.564 user.

Pada uji coba 1 menggunakan dataset produk brand samsung, iphone, dan

apple dengan jumlah masing-masing tweet

sebesar 500 tweets dan 600 tweets dari data untuk setiap produk brand. Pemberian beberapa variasi jumlah centroid (k) terhadap clustering untuk mendapatkan satu hasil clustering yang terbaik untuk proses selanjutnya. Ujicoba nilai k dimulai dari k=3 sampai k=10. Selanjutnya hasil

clustering untuk setiap nilai k akan dihitung validasinya menggunakan metode

Silhouette pada persamaan (14) dan (15).

Tabel 2. Nilai k untuk 500 Data Data

Tweet Tiap Produk Jumlah

k

AWS (500 Data) Iphone Samsung Apple 3 0.8365 0.7864 0.7456 4 0.7709 0.8538 0.8263 5 0.8169 0.8804 0.6842 6 0.6726 0.8108 0.5506 7 0.5996 0.7555 0.7404 8 0.6764 0.7484 0.6572 9 0.5951 0.6179 0.6959 10 0.5103 0.6308 0.7231

Tabel 2. menunjukkan nilai k

optimal untuk 500 dataset dan 600 dataset dari ketiga produk. Pada sampel 500 dataset yang digunakan ketiga produk menghasilkan kualitas clustering dengan

kriteria “sangat bagus”. Nilai ASW

terbesar ada pada produk Samsung sebesar 0,8804 dengan nilai k optimal adalah 5. Sedangkan untuk produk Iphone dan Apple masing-masing menghasilkan kualitas clustering dengan nilai ASW sebesar 0.8365 di k optimal adalah 3 dan nilai ASW sebesar 0.8263 di k optimal adalah 4. Nilai ASW terkecil ada pada topik produk Iphone sebesar 0.5103 dan nilai k optimal adalah 10.

Tabel 3. Nilai k untuk 600 Data Data

Tweet Tiap Produk Jumlah

k

AWS (600 Data) Iphone Samsung Apple 3 0,7773 0,7656 0,7841 4 0,8253 0,8083 0,8292 5 0,8611 0,8598 0,7463 6 0,8599 0,6880 0,7774 7 0,8232 0,6463 0,6613 8 0,7314 0,5913 0,5713 9 0,5909 0,5692 0,5009 10 0,5736 0,5038 0,5148

17 terbesar ada pada produk Iphone sebesar

0,8611 dengan nilai k optimal adalah 5. Sedangkan untuk produk Samsung dan Apple masing-masing menghasilkan kualitas clustering dengan nilai ASW sebesar 0,8598 di k optimal adalah 5 dan nilai ASW sebesar 0,8292 di k optimal adalah 4. Nilai ASW terkecil ada pada topik produk Apple sebesar 0,5009 dan nilai k optimal adalah 9.

Hasil dan analisa tentang kualitas

clustering yang telah dijelaskan dengan menggunakan metode evaluasi silhouette

dapat disimpulkan bahwa nilai ASW untuk ketiga topik produk dengan bervariasi jumlah dataset pada range 0.71≤ASW≤1 yang berarti bahwa kualitas clustering yang dihasilkan “sangat baik”.

Pada uji coba 2 menggunakan dataset produk brand samsung, iphone, dan

apple dengan jumlah masing-masing tweet

sebesar dengan jumlah data tweet dari total 5 hari pertama (dari hari ke-1 sampai hari ke-5),5 hari kedua (dari hari ke-6 sampai hari ke-10), 5 hari ketiga (dari hari ke-11 sampai hari ke-15), dan 5 hari keempat (dari hari ke-16 sampai hari ke-20) untuk setiap produk brand. Data tweet dari 5 hari pertama sebagai data training digunakan untuk mendapatkan fungsi membership

dan aturan inference dari fuzzy inference

system. Sedangkan data testing

menggunakan data tweet dari hari kedua, 5 hari ketiga, dan 5 hari keempat.

Tabel 4. Hasil Akurasi Fuzzy Inference akurasi fuzzy inference system dari produk Samsung tertinggi daripada produk Iphone dan Samsung sebesar 82% pada dataset hari ke-6 sampai hari ke-10. Sedangkan untuk nilai akurasi terendah adalah produk

Apple dengan nilai akurasi sebesar 73% pada hari ke-16 sampai hari ke-20. Hasil dan analisa tentang kualitas klasifikasi yang telah dijelaskan dengan menggunakan metode evaluasi nilai akurasidapat disimpulkan bahwa performa dari algoritma fuzzy inference system

dihasilkan “cukup baik”. Nilai rata-rata

akurasi dari produk Iphone sebesar 77%, produk Samsung sebesar 81%, dan produk Apple sebesar 74%.

6. Kesimpulan

Berdasarkan ujicoba dan analisa hasil, maka dapat ditarik kesimpulan. Hasil ujicoba pengelompokkan tweets dari ketiga produk dengan menggunakan algoritma

Agglomerative hierarchical clustering

telah memberikan kualitas clustering masuk kriteria “sangat baik” pada range

0.71≤ASW≤1. Nilai ASW 0.8804 untuk

500 Dataset pada produk Samsung dan 0,8611 untuk 600 dataset pada produk Iphone.

Hasil ujicoba klasifikasi user

berpengaruhmenggunakan algoritma fuzzy inference system dihasilkan “cukup baik”.

Nilai rata-rata akurasi dari produk Iphone sebesar 77%, produk Samsung sebesar 781, dan produk Apple sebesar 74%.

7. Saran

Pengembangan selanjutnya dari metode deteksi user berpengaruh untuk promosi produk adalah mencari atau memilih fitur yang lain yang digunakan sebagai fitur tambahan, selain fitur popularitas user dan fitur topik

monomorphism. Sehingga memungkinkan

dapat mendeteksi user berpengaruh lebih baik. Penambahan metode deteksi tweet

yang tidak sesuai dengan kata kunci yang digunakan.

Daftar Pustaka

[1] Twitter.(2015). https://support.twitter. com/. Diakses tanggal 10 Maret 2015. [2] Zhu, T., Bai, W., Bin, W., & Chuanxi,

18

influence rangking in social networks.

Information Sciences, 535-544.

[3] Cha, M., H. Haddadi, F. Benevenuto, & K. P. Gummadi. (2010). Measuring user influence in twitter: the million follower fallacy. In Proceedings of 4th international AAAI conference on weblogs and social media (ICWSM

‘10), 10-17.

[4] Weng, J., E. P. Lim, J. Jiang, & Q. He. (2010). TwitterRank: Finding topic-sensitive influential twitterers. In

Proceedings of the 3rd ACM

international conference on web

search and data mining (WSDM ‘10),

261-270.

[5] Romero, D. M., W. Galuba, S. Asur, & B. A. Huberman. (2011). Influence and passivity in social media. In

Proceedings of the 20th international conference companion on world wide

web (WWW ‘11), 113-114.

[6] Bakshy, E., J. M. Hofman, W. A. Mason, & D. J. Watts. (2011).

Everyone’s an influencer: Quantifying

influence on twitter. In Proceedings of the 4th ACM international conference on web search and data mining

(WSDM ‘11). 65-74.

[7] Luiten, M., W. A. Kosters, & F. W. Takes. (2012). Topical influence on twitter: a feature construction approach.

[8] Rogers, E. M. (2013). Diffusion of innovations. Vol. 27. Free press. [9] Jingxuan, L., W. Peng, T. Li, T. Sun,