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

  

Wijoyo, Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan Topik Monomorphism

Pada Data Twitter untuk Promosi Produk

  

Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan

Topik Monomorphism Pada Data Twitter untuk Promosi Produk

  1

  2

  3 Satrio Hadi Wijoyo , Chastine Fatichah , Diana Purwitasari

  Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember

  1

  

  

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 produk baru mereka melalui jaringan

  adalah salah satu platform sosial. Keberhasilan perusahaan untuk

  Twitter

  yang paling populer dari media sosial promosi produk baru agar banyak lainnya sebagai sumber informasi. Twitter pelanggan tertarik menggunakan produk merupakan sebuah microblog yang dapat mereka, tidak serta merta hanya karena menyebarkan atau membagikan informasi user milik perusahaan sendiri di twitter. berupa tweet dengan sangat cepat dan Melainkan adanya peran aktif user berbasis real-time. Tweet adalah teks berpengaruh (influencer) yang melakukan tulisan 140 karakter yang ditampilkan pada promosi keunggulan produk ke jaringan halaman profil user (pengguna) [1]. pertemanannya. Sehingga banyak orang

  

Twitter telah dimanfaatkan banyak tertarik menggunakan produk perusahaan

  perusahaan melakukan promosi-promosi tersebut [2]. User berpengaruh merupakan

  Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 9 - 18

  retweet dan mention. Akan tetapi, tweet user dapat diketahui dengan melihat

  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.

  2. Deteksi User Berpengaruh pada Twitter Twitter adalah sebuah situs web

  user berpengaruh yang sedang popular di twitter .

  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

  monomorphism pada data twitter untuk

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

  dari segi penyebaran informasi secara dinamik. Cosine similarity digunakan untuk menghitung kesamaan antara dua topik sebagai topik similarity dari tweet user.

  twitter

  melakukan prediksi user berpengaruh di

  monomorphism vs. polymorphism , high latency vs. Low latency, dan information inventor vs. information spreader untuk

  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

  user

  Ketertarikan seorang individu atau

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

  topik tidak dapat dilihat hanya dari fitur

  sebuah user yang biasanya populer di

  Penelitian tersebut menemukan bahwa jumlah followers tidak menunjukkan pengaruh signifikan pada penyebaran tweet dari user berpengaruh. Tetapi jumlah

  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].

  retweet menunjukkan pengaruh interaksi

  tweet user berpengaruh terhadap suatu

  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

  Sedangkan retweet adalah tweet yang mengandung nama user dan menunjukkan

  

Wijoyo, Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan Topik Monomorphism

Pada Data Twitter untuk Promosi Produk

  adalah bobot dari

  ( ⃗⃗⃗ , ⃗⃗⃗⃗ ) = ∑ ℎ ℎ=1

  × ℎ

  √∑ ( ℎ

  )

  2 =1 × √∑ ( ℎ )

  2 =1

  (1) dimana dan adalah tweet yang dilakukan user,

  ℎ

  term ke-h pada , ℎ

  Cosine similarity adalah salah satu

  adalah bobot dari

  tweet term ke-h pada , 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

  user dan topik monomorphism, dan

  konstruksi kombinasi atau pembobotan dari dua fitur tersebut. Diagram alir desain sistem dapat dilihat pada Gambar 1.

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

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

  kemampuan user yang menghasilkan konten dengan nilai bersamaan [1].

  twitter dengan ditandai memiliki banyak follower . Selain itu, isi tweet atau

  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 berpengaruh pada twitter.

  User berpengaruh merupakan

  sebuah user yang biasanya populer di

  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.

  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

3. Monomorphism dan Polymorphism

  Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 9 - 18

  Gambar 1. Diagram Metode Penelitian

  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.

  4.1.2. Tahap Praproses Data

  Gambar 2. Contoh Tweet Yang Sebuah Produk

4.1.1. Data Uji Coba

  Samsung. Data tweet dikumpulkan atau dikoleksi selama 2 bulan dengan rentang dari tanggal 17 Maret 2015 sampai 16 Juni 2015.

  Search API yang disediakan oleh twitter.

  (3)

  (2) = log ( )

  menggunakan persamaan (2), dimana adalah frekuensi kata term ke-i pada dokumen ke-j. Konsep tersebut memberikan pengukuran terhadap pentingnya kata term ke-i pada dokumen tersebut. Sedangkan ditentukan melalui persamaan (3), dimana N adalah jumlah dokumen, adalah jumlah dari dokumen yang mengandung kata term ke- i . _ = ×

  tf_idf dari term j dapat dihitung dengan

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

  Term Frequency Inverse Document Frequency (tf_idf) adalah konsep

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

  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

  Gambar 2. menunjukkan contoh

  mention diperoleh dari informasi teks tweet .

  sudah di retweet oleh 7 orang. Pada penelitian ini, jumlah retweet dan jumlah

  brand antara lain : Apple, Iphone, dan

  Contohnya pada tweet yang dilakukan user dari kompas TV, dapat diperoleh jumlah

  retweet secara langsung.

  suatu tweet tersebut dapat informasi jumlah

  tweet sebuah produk dari brand. Pada

  retweet sebanyak 7. Berarti tweet tersebut

  (8)

  dengan merubah nama variabel agar tidak sama dengan variabel sebelumnya. Sehingga pembobotan kemunculan user dalam klaster disebut User Frequency

  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

  Inverse Cluster Frequency (uf_icf).

  mention dari koleksi user.

  Metode ini melakukan perbandingan antar frekuensi kemunculan user i pada cluster j ( ) dengan frekuensi cluster yang mengandung user i ( ). Bobot uf_icf dari

  user i dapat dihitung dengan menggunakan persamaan (6).

  _ = × (6) dimana adalah frekuensi user ke-i pada cluster ke-j. Sedangkan ditentukan melalui persamaan (7) berikut ini.

  = log ( ) (7) dimana adalah jumlah dari cluster yang mengandung user ke-i dan N adalah jumlah cluster. Hasil dari perhitungan bobot kemunculan user berupa koleksi

  user ( ) dan frekuensinya ( ), dimana

  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

  Perhitungan bobot topik monomorphism mengikuti persamaan (8) seperti berikut.

  3

  ( ) =

  ∑ _ ( ) max ( _ ( ))

  4.1.4. Ekstraksi Fitur Topik Monomorphism

  ∑ ( ) merupakan jumlah mention nama dari user ke-i, dan max ( ( )) merupakan nilai maksimal dari jumlah

  

Wijoyo, Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan Topik Monomorphism

Pada Data Twitter untuk Promosi Produk

  1

  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.

  1

  ( ) =

  ∑ ( ) max ( ( ))

  (4) dimana

  ( ) merupakan bobot

  mention dari user ke-i,

  retweet dari user ke-i,

  ∑ ( ) merupakan jumlah retweet dari user ke-i, dan max ( ( )) 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.

  2

  ( ) =

  ∑ ( ) max ( ( ))

  (5) dimana

  2

  ( ) merupakan bobot

• – icf dari user yang terdapat pada cluster.

  Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 9 - 18 1; 2 ≤ 0,32

  dimana ) merupakan bobot

  (

  0,395− ₂

  3 , ; 0,32 ≤

  2 ≤ 0,395 ( 2 ) = {

  0,395− 0.32 monomorphism dari user ke-i,

  0; 2 ≥ 0,395

  ) merupakan jumlah bobot ∑ _ (

  0; 2 ≤ 0,32 2 ≥ 0,525 2 − 0,32

  dari user ke-i, dan _

  2 ≤ 0,42 ( ) =

  2 0,42 − 0,32 ; 0,32 ≤

  (10)

  0,525 −

  2

  max ( _ ( )) merupakan nilai

  2 ≤ 0,525 { 0,525 − 0,42 ; 0,42 ≤

  maksimal dari jumlah bobot _ dari 0;

  2 ≤ 0,48 2 − 0,48

  semua bobot _ user. Rentang nilai

  ( ) =

  2 2 ≤ 0,525 2 − 0,48 ; 0,48 ≤

  ) antara 0 sampai 1. Jika nilai (

  3 { 1; 2 ≥ 0,525

  ) mendekati angka 1 maka tweet ( Nilai fungsi keanggotaan dari bobot

  3

  tersebut termasuk topik

  user monomorphism mengikuti persamaan (11).

  1; 3 ≤ 0,32 monomorphism .

  0,35− ₃ , ( ) = { ; 0,32 ≤

  3 ≤ 0,35

  3 0,35−0,32 0; 3 ≥ 0,35

4.1.5. Implentasi Fuzzy Inference System

  0; ≤ 0,3

  3 3 ≥ 0,525 untuk Deteksi User Berpengaruh

  3 − 0,3 3 ≤ 0,433 ( ) =

  3 0,433 − 0,3 ; 0,3 ≤

  FIS (Fuzzy Inference System) untuk (11)

  0,565 −

  3

  deteksi user berpengaruh mempunyai 3

  3 ≤ 0,565 { 0,565 − 0,433 ; 0,433 ≤

  0; 3 ≤ 0,5 variabel input dan 1 variabel output.

  3 − 0,5

  Variabel input terdiri atas rasio retweet, ( ) = {

  3 3 ≤ 0,565 0,565 − 0,5 ; 0,5 ≤

  rasio mention, dan monomorphism. Sedang

  1; ≥ 0,565

  3

  untuk variabel keputusan atau user Keputusan (output), ada tiga kondisi berpengaruh didapatkan dari perbandingan

  (label) yang mewakili parameter ini yang nilai variabel rasio retweet, rasio mention, antara lain meliputi : L (rendah), M dan nilai monomorphism. (sedang), dan H (tinggi). Nilai fungsi

  Fungsi derajat keanggotaan linear keanggotaan dari output mengikuti turun digunakan untuk merepresentasikan persamaan (12) himpunan fuzzy rendah dan fungsi derajat

  1; ≤ 0,055

  keanggotaan linear naik untuk himpunan

  0,06 − ( ) = { 0,06 − 0,055 ; 0,055 ≤ ≤ 0,06 fuzzy tinggi. Fungsi derajat keanggotaan

  0; ≥ 0,06

  segitiga digunakan untuk

  ( ) 0; ≤ 0,055 ≥ 0,1

  merepresentasikan himpunan fuzzy normal.

  − 0,055

  Untuk fungsi keanggotaan rasio retweet (12)

  = 0,0775 − 0,055 ; 0,055 ≤ ≤ 0,0775 0.1 −

  memiliki label L (rendah), M (sedang), dan

  ; 0,0775 ≤ ≤ 0,1 { 0,1 − 0,0775

  H (tinggi). Nilai fungsi keanggotaan dari

  0; ≤ 0,095

  rasio retweet mengikuti persamaan (9). − 0,095

  ( ) = { 1; 1 ≤ 0,401

  0,1 − 0,095 ; 0,095 ≤ ≤ 0,1 0,413 −

  1 1; ≥ 0,1 (

  1 ) = { 1 ≤ 0,413 0,413 − 0,401 ; 0,401 ≤ 0;

  1 ≥ 0,413

  Pembentukan Aturan Fuzzy, dari tiga

  0; 1 ≤ 0,401 1 ≥ 0,688 1 − 0,401

  variabel input dan sebuah variabel output,

  1 ≤ 0,545 ( 1 ) = 0,545 − 0,401 ; 0,401 ≤

  dengan melakukan analisa data terhadap (9)

  0,688 −

  1 ≤ 0,688

  1

  batas tiap

• – tiap himpunan fuzzy pada tiap-

  { 0,688 − 0,545 ; 0,545 ≤ 0; 1 ≤ 0,675

  tiap variabelnya maka terdapat 22 aturan

  1 − 0,675 ( 1 ) = { 1 ≤ 0,688

  yang akan dipkai dalam sistem ini,

  fuzzy 0,688 − 0,675 ; 0.675 ≤ 1;

  1 ≥ 0,688 dengan susunan aturan IF Retweet AND Mention AND Monomomorphism THAN User Berpengaruh, contoh hasil aturan

  Nilai fungsi keanggotaan dari rasio fuzzy pada Tabel 1.

  mention mengikutin persamaan (10).

  

Wijoyo, Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan Topik Monomorphism

Pada Data Twitter untuk Promosi Produk

  ( )− ( ) max{ ( ), ( )}

  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

  ( ( )) untuk tiap tweet menggunakan persamaan (14) dan (15). ( ) = max

  ≠

  { ( , )} (14)

  ( ) =

  (15) dimana ( ) adalah jarak kedekatan tweet ke-i terhadap seluruh tweets yang ada di

  Pada penelitian ini yang akan digunakan untuk uji akurasi adalah

  cluster internal, yaitu cluster tempat tweet

  ke-i berada. Sedangkan ( ) 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

  ( ( )) dengan kriteria negatif overlapping tinggi yang menunjukkan bahwa tweet ke-i tidak berada dalam cluster U. Nilai

  ( ( )) dengan kriteria nol menunjukkan bahwa

  tweet ke-i adalah irisan dari cluster U dan V . Sedangkan nilai

  ( ( )) dengan kriteria positif menunjukkan bahwa objek tepat berada pada cluster U.

  Setelah didapatkan nilai ( ( )) untuk tiap tweet pada tiap cluster langkah selanjutnya adalah rata-rata nilai

  ( ( )) 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

  Sebuah sistem yang melakukan klasifikasi diharapkan dapat melakukan

  internal evaluation,

  (13)

  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).

  ∗

  =

4.2. Pengujian

4.2.1. Pengujian Kualitas Clustering

  Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 9 - 18

  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).

  = ℎ ℎ

  (16)

  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

  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

  AWS (500 Data) Iphone Samsung Apple

  Jumlah k

  Tiap Produk

  Tweet

  Tabel 2. Nilai k untuk 500 Data Data

5. Hasil dan Pembahasan

  clustering untuk setiap nilai k akan

  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

  apple dengan jumlah masing-masing tweet

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

  uji coba yang digunakan pada penelitian ini data twiiter selama 25 hari sebanyak 285.883 tweet dan total user sebanyak 183.564 user.

  centrality dari hasil software nodexl. Data

  . Pengujian dilakukan dengan membandingkan nilai betweenness

  system

  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

  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

  Tabel 3 menunjukkan hasil dari sampel 600 dataset yang digunakan ketiga produk menghasilkan kualitas clustering dengan kriteria “sangat bagus”. Nilai ASW

  dihitung validasinya menggunakan metode Silhouette pada persamaan (14) dan (15).

  

Wijoyo, Deteksi User Berpengaruh Berdasarkan Kombinasi Fitur Popularitas User Dan Topik Monomorphism

Pada Data Twitter untuk Promosi Produk

  6. Kesimpulan

  com/. Diakses tanggal 10 Maret 2015. [2] Zhu, T., Bai, W., Bin, W., & Chuanxi,

  Daftar Pustaka [1] Twitter.(2015)

  dapat mendeteksi user berpengaruh lebih baik. Penambahan metode deteksi tweet yang tidak sesuai dengan kata kunci yang digunakan.

  monomorphism . Sehingga memungkinkan

  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

  7. Saran

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

  inference system dihasilkan “cukup baik”.

  Hasil ujicoba klasifikasi user berpengaruh menggunakan algoritma fuzzy

  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.

  Agglomerative hierarchical clustering

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

  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 akurasi dapat 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%.

  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.

  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 75% 74% 73% Tabel 4. menunjukkan bahwa nilai akurasi fuzzy inference system dari produk

  Iphone 80% 74% 77% Samsung 82% 77% 84%

  System Nama Produk Data Ke-2 Data Ke-3 Data Ke-4

  menggunakan data tweet dari hari kedua, 5 hari ketiga, dan 5 hari keempat. Tabel 4. Hasil Akurasi Fuzzy Inference

  system. Sedangkan data testing

  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

  apple dengan jumlah masing-masing tweet

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

  yang telah dijelaskan dengan menggunakan metode evaluasi silhouette dapat disimpulkan bahwa nilai ASW untuk ketiga topik produk dengan bervariasi jumlah dataset p ada range 0.71≤ASW≤1 yang berarti bahwa kualitas clustering yang dihasilkan “sangat baik”.

  clustering

  Hasil dan analisa tentang kualitas

  Z. (2014). Maximixing the spread of

  

Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 9 - 18

  influence rangking in social networks.

  535-544.

  Information Sciences,

  [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,

  Q. Li, & J. Xu. (2014). Social network user influence sense-making and dynamics prediction. Expert systems with application , 5115-5124.