Aplikasi Rekomendasi Buzzer untuk Pemasaran Produk dengan Prediksi Profil Pengguna Twitter
Aplikasi Rekomendasi Buzzer untuk Pemasaran Produk
dengan Prediksi Profil Pengguna Twitter
Elisafina SiswantoSekolah Teknik Elektro dan Informatika
[email protected] Masayu Leylia Khodra
Sekolah Teknik Elektro dan Informatika
[email protected] ABSTRAK
Perkembangan situs jejaring sosial secara tidak langsung berdampak pada cara pemasaran sebuah produk, yaitu dengan menggunakan jasa Buzzer. Permasalahan yang muncul adalah bagaimana menentukan Buzzer yang cocok untuk sebuah iklan produk. Makalah ini memanfaatkan model prediksi profil pengguna twitter untuk merekomendasikan buzzer yang cocok untuk sebuah iklan. Pemilik iklan akan menentukan sasaran pasar iklan tersebut, prioritas profil pengguna yang menjadi sasaran pasar, dan daftar kandidat buzzer yang dianggap cocok. Sistem akan memberikan rekomendasi berupa ranking dari setiap buzzer dengan menghitung kecocokan sasaran pasar dan profil para pengikut buzzer. Sebagai pengujian, dilakukan pencocokan hasil rekomendasi sistem dengan interaksi sebenarnya untuk 6 iklan. Hasil pengujian menunjukkan bahwa nilai NDGC rata-rata untuk 6 iklan yang diuji sangat tinggi yaitu sebesar 0.90. Hasil rekomendasi Buzzer yang diberikan sistem sesuai dengan total interaksi pengguna pada iklan tersebut. Pemilihan parameter pada profil statis dan dinamis juga sudah dapat merepresentasikan sasaran pasar sebuah iklan.
Kata Kunci buzzer, sasaran pasar, prediksi profil pengguna, NDCG.
1. PENDAHULUAN
Semakin berkembang pesatnya pengguna jejaring sosial turut mempengaruhi cara perusahaan-perusahaan memasarkan produknya. Saat ini semakin banyak perusahaan memiliki akun jejaring sosial yang digunakan untuk berbagai tujuan, misalnya memasarkan produk dan berinteraksi dengan konsumen. Semakin terkenal akun sebuah perusahaan, maka setiap pemasaran dalam bentuk status akan banyak dilihat oleh calon konsumen. Dalam konteks jejaring sosial, akun yang terkenal didefinisikan sebagai akun yang banyak di- “like” (pada situs jejaring sosial Facebook) atau memiliki jumlah pengikut yang banyak (pada situs jejaring sosial Twitter). Perusahaan sulit membuat akunnya menjadi terkenal karena akun perusahaan pada umumnya identik dengan iklan. Banyak perusahaan yang menggunakan teknik pemasaran viral untuk menyiasati hal tersebut. Pemasaran viral didefinisikan sebagai penyampaian pesan pemasaran dari mulut ke mulut secara elektronik yang dilakukan secara besar-besaran melalui jejaring sosial (Kaplan, 2011). Penelitian pemasaran dari mulut ke mulut secara tradisional membuktikan bahwa cara tersebut tujuh kali lebih efisien dibandingkan pemasaran melalui selebaran, iklan pada media masa, dan lain-lain (Katz, 1970).
Salah satu cara yang dapat dilakukan untuk melakukan pemasaran viral adalah dengan m enggunakan jasa “Buzzer”. Pada jejaring sosial Twitter, Buzzer dapat diartikan sebagai akun yang memiliki banyak pengikut sehingga tweet dari akun tersebut dapat dilihat oleh banyak orang. Buzzer dapat berupa akun milik tokoh masyarakat, selebriti, maupun akun-akun organisasi. Produk yang dipasarkan melalui Buzzer, biasanya memiliki banyak tanggapan dari pengikutnya.
Persoalan yang muncul pada pemasaran viral adalah bagaimana perusahaan menentukan Buzzer yang tepat untuk memasarkan sebuah produk sesuai dengan dana yang dimiliki perusahaan. Tujuan pemasaran produk adalah agar sebanyak mungkin calon konsumen yang sesuai dengan segmentasi pasar dari produk tersebut melihat iklan dan kemudian membeli produk tersebut. Permasalahan yang muncul adalah semakin banyak pengikut yang dimiliki oleh Buzzer, maka semakin mahal pula tarif jasa Buzzer tersebut. Hal ini menyebabkan perusahaan kecil atau menengah yang memiliki keterbatasan dana harus mencari Buzzer yang memiliki pengikut yang sesuai dengan segmentasi pasar dari produk yang diiklankan dan tarif yang sesuai dengan dana yang ada. Namun, rekomendasi buzzer berdasarkan perhitungan kecocokan jumlah pengikutnya tidak dapat langsung dilakukan. Informasi profil pengguna yang ada sangat terbatas, yaitu nama, lokasi, situs, dan deskripsi singkat (bio), sehingga belum dapat digunakan untuk melakukan segmentasi pasar. Salah satu usulan solusi dalam makalah ini adalah profil pengguna dari masing-masing pengikut yang dimiliki oleh Buzzer untuk menentukan apakah pengikut tersebut sesuai dengan segmentasi pasar dari sebuah produk, dan Buzzer yang dipilih adalah akun yang memiliki jumlah pengikut yang cocok dengan segmentasi pasar yang terbesar, sehingga diharapkan respons terhadap iklan tersebut akan semakin tinggi.
Pada makalah ini, profil pengguna yang diprediksi dibedakan menjadi dua, yaitu profil statis dan profil dinamis. Profil statis merupakan profil pengguna yang sangat jarang atau tidak pernah berubah. Profil statis ini terdiri dari jenis kelamin, status pernikahan, pekerjaan, umur dan lokasi. Profil dinamis merupakan profil pengguna yang dapat berubah-ubah atau bertambah sesuai dengan waktu. Profil ini berisi topik-topik yang diminati oleh pengguna tersebut. Setelah mendapatkan prediksi profil pengguna maka selanjutnya dilakukan proses pencocokan profil tersebut dengan segmentasi pasar dari produk yang diiklankan. Buzzer yang memiliki nilai kecocokan terbesar akan direkomendasikan kepada pemilik iklan sesuai dengan segmentasi pasar dari iklan tersebut dan prioritas yang dipilih pemilik iklan.
Makalah ini akan fokus pada pembangunan aplikasi rekomendasi buzzer dengan memanfaatkan model prediksi yang telah dihasilkan dari penelitian sebelumnya (Siswanto & Khodra, 2013; Siswanto dkk, 2014). Proses pembangunan model diperlihatkan sebagai bagian dalam pembangunan aplikasi, tetapi pelaksanaan eksperimen tidak dijelaskan dalam makalah ini.
Bagian selanjutnya akan membahas kajian terkait mengenai segmentasi pasar, dan prediksi profil. Bagian 3 akan membahas tentang pembangunan aplikasi pemilihan buzzer, dan bagian 4 akan membahas hasil pengujian aplikasi dan analisisnya dengan melihat ketepatan hasil rekomendasi buzzer dengan beberapa kasus yang dikumpulkan. Pada bagian 5, akan diberikan kesimpulan dan arah penelitian selanjutnya.
2. KAJIAN TERKAIT
Segmentasi pasar merupakan proses membagi pelanggan atau pelanggan potensial yang ada pada pasar ke dalam beberapa grup atau segmen yang berbeda, di mana dalam grup tersebut pelanggan memiliki minat atau kebutuhan yang mirip (McDonald & Dunbar, 2004). Tujuan dilakukan segmentasi pasar ini adalah agar pemasaran produk dapat lebih terfokus hanya kepada segmen yang memiliki minat atau kebutuhan terhadap sebuah produk, sehingga biaya pemasaran dapat ditekan. Menurut Fripp (2014), segmentasi pasar dapat dibagi mengelompokkan pelanggan berdasarkan lokasi tempat tinggal pelanggan tersebut; 2) demografis, yaitu dengan mengelompokkan pelanggan berdasarkan karakteristik yang dapat diidentifikasi seperti usia, jenis kelamin, dan lain-lain; 3) psikografis, yaitu pengelompokan berdasarkan gaya hidup, minat, dan opini pelanggan tersebut; 4) benefits sought, yaitu pengelompokan berdasarkan apa yang dicari seorang pelanggan ketika membeli sebuah barang, misalkan untuk kenyamanan, status, nilai, dan lain-lain; 5) perilaku, yaitu pengelompokan hubungan pelanggan dengan produk atau perusahaan, misalkan berapa banyak produk yang dibeli atau tingkat loyalitas pelanggan terhadap perusahaan tertentu. Berdasarkan kategori tersebut, segmentasi berdasarkan geografis, demografis, dan psikografis dapat dilakukan tanpa mengetahui produk yang dipasarkan terlebih dahulu, sebaliknya segmentasi berdasarkan benefits sought dan perilaku baru dapat dilakukan jika produk atau perusahaan telah diketahui terlebih dahulu.
Berbagai penelitian untuk memprediksi profil pengguna Twitter telah banyak dilakukan (Rao, 2010; Burger, 2011). Pada penelitian yang dilakukan oleh Rao, diprediksi jenis kelamin, usia, lokasi, dan orientasi politik (democrat atau republican) dari data tweet yang berbahasa Inggris dengan menggunakan metode pembelajaran Support Vector Machines (SVM). Untuk tweet berbahasa Indonesia, penelitian sebelumnya hanya memprediksi jenis kelamin (Wibisono & Faruqi, 2013). Siswanto dkk (2014) memanfaatkan pembelajaran mesin untuk membangun model prediksi jenis kelamin, status pernikahan, pekerjaan, umur, dan minat pengguna berdasarkan konten tweet berbahasa Indonesia dari pengguna tersebut. Model ini digunakan sebagai model prediksi dalam makalah ini. Untuk aplikasi rekomendasi buzzer berdasarkan hasil prediksi profil pengguna twitter yang menjadi pengikut buzzer tersebut, belum ada aplikasi yang ditemui sampai dengan saat ini.
3. PEMBANGUNAN APLIKASI PEMILIHAN BUZZER
Untuk dapat memberikan rekomendasi buzzer, sistem membutuhkan tiga jenis input yaitu sasaran pasar, prioritas profil, dan daftar buzzer. Hal ini ditunjukkan o Sasaran pasar dari produk yang akan diiklankan merupakan spesifikasi profil target pengguna produk yang terdiri dari: a.
Sasaran jenis kelamin, dengan pilihan yang tersedia adalah laki-laki, perempuan, atau any.
b.
Sasaran umur, dengan pilihan yang tersedia adalah di atas 20 tahun, 20 sampai 30 tahun, di atas 30 tahun, atau any.
c.
Sasaran status pernikahan, dengan pilihan yang tersedia adalah belum menikah, sudah menikah, atau any.
d.
Sasaran pekerjaan pelanggan, dengan pilihan yang tersedia adalah pelajar, pekerja, tidak bekerja, atau any.
e.
Sasaran lokasi, dengan pilihan yang tersedia adalah nama satu atau lebih kota di Indonesia, atau any.
Gambar 1. Antarmuka utama rekomendasi buzzer f.
Topik iklan, dengan pilihan yang tersedia adalah Bisnis dan Keuangan, Olahraga, Teknologi, Hiburan (musik, film, dan game), Kesehatan dan Kecantikan, Travelling, Otomotif, Keluarga, Flora dan Fauna, Politik dan Hukum, dan Unknown.
Data: tweet Praproses: slang Fitur: bigram Seleksi fitur:
Chi Square 500
Algoritma :
Umur
Data: bio+tweet Praproses: casefolding, hapus tanda baca Fitur: unigram Seleksi fitur:
min freq 7
Algoritma :
Naive Bayes Minat
min freq 7
Duplicate
Algoritma :
SVM
Untuk setiap follower, dibuat satu teks yang akan menjadi masukan ke sistem prediksi profil. Teks ini dibuat dengan menggabungkan semua tweet dari follower tersebut. Untuk beberapa profil, informasi bio juga digabungkan ke dalam teks tersebut. Kemudia, untuk setiap profil, dilakukan praproses, ekstraksi fitur, seleksi fitur, dan klasifikasi sesuai dengan setting pembangunan model terbaik padaHasil dari proses kedua ini disebut buzzer model, berupa satu file teks untuk setiap buzzer, contohnya Buzzer1.txt pad 1. follower1, laki-laki, pekerja, di atas 30 tahun, sudah menikah, teknologi-olahraga 2. follower2, laki-laki, pelajar, di bawah 20 tahun, belum menikah, teknologi
Gambar 3. Contoh model untuk buzzer
Setelah prediksi profil statis dan dinamis selesai dilakukan untuk setiap follower buzzer, dilakukan proses ketiga yaitu kalkulasi kecocokan antara sasaran pasar dan model buzzer, yaitu persentase kecocokannya. Berikut adalah pseudo-code perhitungan kecocokan buzzer, dan contoh hasilnya dapat dilihat pad
//hitung persentase kecocokan untuk setiap atribut profil For each b
buzzer do follower=get_follower(b) //follower.size() 0 For each att
profile_attribute do cc=count_if(follower,att) pct[att]=cc/follower.size()
Fitur: unigram Seleksi fitur:
Data: bio Praproses:
Nilai "any" pada sasaran pasar diartikan bahwa barang tersebut dapat digunakan oleh semua kelas dalam satu profil. Sebagai contoh jika barang yang akan dipasarkan adalah makanan, maka sasaran jenis kelamin dapat diisi "any", artinya baik laki-laki maupun perempuan membutuhkan barang tersebut. Pemilik iklan selanjutnya menentukan prioritas dari setiap profil, di mana prioritas terkecil menandakan profil yang dianggap paling penting. Padaditunjukkan bahwa urutan prioritas dari yang paling penting adalah gender, minat, lokasi, umur, dan pekerjaan serta status pernikahan. Pemilik iklan juga diminta memberikan kandidat buzzer dengan memilih dari daftar buzzer yang tersedia. Jika tidak ada preferensi, pemilik iklan dapat memilih semua buzzer.
RT, Duplicate, Stopword removal
Gambar 2. Flowchart rekomendasi buzzer
Setelah ketiga jenis input (sasaran pasar, prioritas, dan daftar buzzer) tersedia, terdapat empat proses utama dalam aplikasi rekomendasi buzzer ini (liha yaitu a) pengambilan secara acak 500 followers dari setiap buzzer; b) prediksi profil setiap follower; c) kalkulasi kecocokan; d) pengurutan berdasarkan prioritas sasaran pasar.
Pada proses pertama, setiap Buzzer diambil 500 follower secara acak. Untuk setiap follower atau pengguna twitter secara umum, diambil maksimal 500 tweet per pengguna dan informasi bio pengguna tersebut.
Proses kedua adalah prediksi profil statis dan dinamis. Siswanto dkk (2014) mendapatkan model terbaik dibangun dengan setting pembelajaran mesin yang berbeda seperti yang ditunjukkan oleh
Tabel 1. Setting Pembangunan Model Terbaik
Profil Setting Prediksi dengan Model Terbaik
Jenis Kelamin
Data: bio+tweet Praproses:
Fitur: unigram Seleksi fitur:
SVM Status Pernikahan
min freq 7
Algoritma :
SVM Pekerjaan
Data: tweet Praproses:
RT, Duplicate, Slang
Fitur: unigram Seleksi fitur:
min freq 7
Algoritma :
Gambar 4. Contoh hasil kalkulasi kecocokan yang diambil dar Proses terakhir adalah mengurutkan buzzer berdasarkan prioritas profil yang telah diberikan pemilik iklan. Buzzer yang menempati urutan teratas diasumsikan sebagai Buzzer yang paling baik untuk menyebarkan iklan tersebut.
4. PENGUJIAN
Untuk mengukur kinerja aplikasi rekomendasi buzzer, dilakukan pengujian dengan kasus uji sebanyak 6 iklan. Skenario pengujian rekomendasi buzzer adalah sebagai berikut: a.
4.2 Pengujian iklan 2
1 Status Pernikahan Belum Menikah
5 Pekerjaan Pelajar
5 Jenis Kelamin Any
Profil Sasaran Pasar Prioritas Lokasi Any
Tabel 4. Sasaran Pasar Iklan 2
Isi iklan: “Pendaftaran JPU TELKOMUNIVERSITY tinggal 4 hari lagi :-) yuk buruan dftr :-) http://smb.telkomuniversity.ac.id :- )”.
3
2 Minat Teknologi atau Bisnis dan Keuangan
0.0
5
1
1 1 73206
5 pergijau h
0.6
3 Umur Di Bawah 20 Tahun
4 Dengan sasaran pasar seperti yang ditunjukkan oleh didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Nilai NDCG untuk setiap peringkat rekomendasi sudah memberikan hasil yang sangat baik, yaitu dengan nilai NDCG
2
2
1
1
1
2 Favorite 20 1121500
18 Retweet +
1 infobd g
2
1. Peringkat rekomendasi yang dihasilkan sesuai dengan relevansi berdasarkan interaksi pengguna terhadap iklan. Selanjutnya, diambil sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut, dan didapatkan kecocokan rata-rata sebesar 90% dengan sasaran pasar yang telah ditentukan.
2 Favorite + 10 reply 29 11259
17 Retweet +
D C G smbtel kom
Follower Rele vansi Pering kat Rekom endasi N
Interaksi Total Inter aksi Jumlah
Tabel 5. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 2 Nama Buzzer
2
0.7 LALAka rmela 3 3 194254
Mencari iklan yang sama (atau produk yang sama) yang disebarkan oleh beberapa Buzzer.
Tabel 3. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 1 Nama Buzzer
Mengambil maksimal 10 sampel pengguna yang melakukan interaksi terhadap iklan sebuah Buzzer, untuk kemudian diprediksi profil pengguna tersebut. Hal ini dilakukan untuk mengetahui kecocokan antara target pasar yang telah ditentukan sebelumnya dengan pengguna yang melakukan interaksi.
f.
Menentukan peringkat rekomendasi Buzzer berdasarkan kecocokan profil 500 follower Buzzer tersebut dengan target pasar yang telah ditentukan. Semakin tinggi nilai peringkat yang dihasilkan, maka Buzzer tersebut semakin direkomendasikan.
e.
d. dengan total interaksi. Buzzer yang paling relevan diasumsikan memiliki total interaksi yang terbesar. Jika ada dua atau lebih Buzzer yang memiliki nilai total interaksi yang sama, maka akan dilihat dari total jumlah follower Buzzer tersebut, semakin tinggi jumlah follower maka dianggap semakin relevan. Semakin tinggi poin relevansi menyatakan tingkat relevansi yang semakin besar.
Menentukan target pasar dari iklan tersebut.
1
c.
Mencatat interaksi pengguna Twitter terhadap iklan tersebut dari masing-masing Buzzer.
b.
Interaksi Total Inter aksi Jumlah
Menentukan nilai NDCG (Normalized Discounted Cumulative Gain) (Jarvelin & Kekalainen, 2000) untuk masing-masing peringkat rekomendasi. Nilai NDCG digunakan untuk mengetahui kualitas peringkat yang dihasilkan. Nilai NDCG akhir untuk setiap pengujian didapatkan dari nilai NDCG pada peringkat rekomendasi terakhir. Semakin besar nilai peringkat rekomendasi, maka Buzzer tersebut semakin cocok dengan iklan yang diuji.
Follower Rele vansi Peringkat
Rekomen dasi N D C G
RT Fa v atif
1 ranirama dhany
4
5 9 60561
4
3
0.6
4 WOWK onyol 3 3 488004
3
g.
4.1 Pengujian iklan 1
Isi iklan: “Mau Samsung GALAXY Grand 2 ga, LOLs? Tulis aja cerita #Journey2Grand lo di http://bit.ly/1iFeCyp Yang keren yak. Ngebutt~”.
Tabel 2. Sasaran Pasar Iklan 1
Profil Sasaran Pasar Prioritas Lokasi Any
2 Jenis Kelamin Any
2 Pekerjaan Any
2 Umur Any
2 Minat Teknologi
1 Dengan sasaran pasar seperti yang ditunjukkan oleh didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Kolom relevansi diisi berdasarkan banyaknya interaksi yang berhasil didapatkan oleh buzzer tersebut. Nilai NDCG terbaik adalah 0.7, dan nilai terendah 0.03. Terdapat perbedaan yang sangat jauh antara relevansi dan peringkat rekomendasi yang diberikan sistem. Hal-hal yang dapat mempengaruhi perbedaan tersebut antara lain kesalahan klasifikasi yang menyebabkan kesalahan urutan peringkat, ataupun parameter dari sisi Buzzer, seperti jumlah follower atau seberapa besar pengaruh Buzzer tersebut terhadap followernya. Selain itu, sembilan sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata 100% dengan target pasar yang telah ditentukan.
2 Status Pernikahan Any
4.3 Pengujian iklan 3
I si iklan: ”@Nivea_ID bikin #BrightUpYourDay. Hadiahnya ke phuket thailand. Mantap khan? Udah pada daftar di http://bit.ly/nvwmn belum?”.
4 Retweet +
4 Favorite 6 509623
2 Retweet +
7 mratuliu
0.4
4
3
6 Favorite 10 13038
3 millysha fiq
2
0.7
1
4
9 Favorite+ 2 reply 19 559806
6 Retweet +
Pandasu per
Rekomen dasi N D C G
2
0.4
Tabel 6. Sasaran Pasar Iklan 3
Tabel 10. Sasaran Pasar Iklan 5
4 Dengan sasaran pasar seperti yang ditunjukkan oleh didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Nilai NDCG sudah memberikan hasil yang sangat baik, yaitu 1. Peringkat rekomendasi yang dihasilkan sesuai dengan relevansi berdasarkan interaksi pengguna terhadap iklan. Sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata sebesar 74% dengan sasaran pasar yang telah ditentukan. Ketidakcocokan yang terjadi dapat disebabkan oleh kesalahan klasifikasi pada profil statis maupun dinamis, pengguna tidak menuliskan profil lokasi sesuai yang diinginkan, dan pengguna yang melakukan interaksi merupakan pemberi kerja.
3 Minat Teknologi or Bisnis dan Keuangan
5 Umur Di bawah 20 tahun or 20 sampai 30 tahun
1 Status Pernikahan Belum Menikah
6 Pekerjaan Pelajar or Tidak Bekerja
2 Jenis Kelamin Any
Profil Sasaran Pasar Prioritas Lokasi Bandung
I si iklan: “Mau tahu perusahaan apa saja yg hadir di #TitianKarirITB 2-4 Mei? Klik > http://bit.ly/denahTKT pic.twitter.com/1SmzCyySYF - @TitianKarirITB”.
4 Faktanya Adalah
4.5 Pengujian iklan 5
9
0.3
3
1
2 Favorite 5 1621342
3 Retweet +
Follower Rele vansi Peringkat
Interaksi Total Inter aksi Jumlah
Tabel 9. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 4 Nama Buzzer
Tabel 7. Pengujian Hasil Rekomendasi Buzzer untuk Iklan
3
3
3 Favorite 4 909394
1 Retweet +
N D C G dwitas aridwit a
Follower Rele vansi Perin gkat Reko men dasi
Buzzer Interaksi Total Interaksi Jumlah
1. Selanjutnya, diambil empat sampel pengguna yang melakukan interaksi terhadap iklan tersebut, dan didapatkan kecocokannya rata-rata hanya sebesar 25% dengan sasaran pasar yang telah ditentukan. Ketidakcocokan antara target pasar dengan profil pengguna yang melakukan interaksi dengan pengguna dapat disebabkan karena kesalahan hasil klasifikasi profil baik dinamis maupun statis.
1 Retweet +
2 Dengan sasaran pasar seperti yang ditunjukkan oleh didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Nilai NDCG untuk setiap peringkat rekomendasi sudah memberikan hasil yang sangat baik, yaitu dengan nilai NDCG
3 Minat Kesehatan dan Kecantikan
3 Umur Any
3 Status Pernikahan Any
1 Pekerjaan Any
3 Jenis Kelamin Perempuan
Profil Sasaran Pasar Prioritas Lokasi Any
3 Nama
1 Suara HatiCe wek
3 Favorite 4 294514
Ketidakcocokan yang terjadi dapat disebabkan oleh kesalahan klasifikasi pada profil statis maupun dinamis, terutama pada profil status pernikahan karena data yang digunakan hanya data bio yang relatif sangat singkat, kecuali jika tidak menuliskan bio klasifikasi dilakukan dengan data tweet.
2
2
1 NoteC ewek
2 Retweet +
1 Favorite 3 406916
1
1
1
4.4 Pengujian iklan 4
I si iklan: “yang punya anak kecil lagi suka coret2 tembok, ganti catnya pake Dulux Easy Clean aja, gampang dihapus :) #forgivenessiseasy @LetsColourID”.
Profil Sasaran Pasar Prioritas Lokasi Any
5 Jenis Kelamin Any
5 Pekerjaan Pekerja or Tidak Bekerja
4 Status Pernikahan Sudah Menikah
1 Umur 20 sampai 30 tahun or di atas 30 tahun
2 Minat Keluarga
3 Dengan sasaran pasar seperti yang ditunjukkan oleh didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Nilai NDCG terbaik untuk iklan 4 cukup baik, yaitu
0.73. Ketidaksesuaian peringkat tersebut dapat terjadi karena kesalahan klasifikasi profil follower dan Buzzer “Pandasuper”, “millyshafiq”, dan “mratuliu” merupakan Buzzer yang berasal dari perorangan sehingga memiliki pengaruh yang umumnya lebih besar dibandingkan dengan Buzzer yang merupakan organisasi tertentu. Sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata sebesar 72.5% dengan sasaran pasar yang telah ditentukan.
Tabel 8. Sasaran Pasar Iklan 4
Tabel 14. Rangkuman Pengujian Rekomendasi Buzzer No Jumlah Buzzer
- 3 Favorite 23 1121500
- 6 Favorite 17 155405
3
90.00
1.00
2
2
5 0.70 100.00
1
NDCG buzzer terbaik Kecocokan target iklan dengan user yang melakukan interaksi (%)
sampai dengan 6 dapat dilihat pada Error! Reference source not found. .
1.00
9
1 .
1
1
1 Favorite 2 1205
1 Retweet +
7 TeamRona ldoID
8
3 .
3
25.00
2
4
Rao, D., Yarowsky, D., Shreevats, A., dan Gupta, M. (2010): Classifying Latent User Attributes in Twitter, Proceedings of the 2nd International Workshop on Search and Mining User- Generated Contents, ACM, 37 – 44.
Kaplan, A. M., & Haenlein, M. (2011). Two hearts in three- quarter time: How to waltz the social media/viral pemasaran dance. Business Horizons, 54(3), 253-263. Katz, E., & Lazarsfeld, P. F. (1970). Personal Influence, The part played by people in the flow of mass communications. Transaction Publishers. McDonald, M. dan Dunbar, I. (2004): Market Segmentation: How to do it, how to profit from it. Butterworth-Heinemann.
Fripp, G. (2014). Choice of Consumer Segmentation Bases. diakses tanggal 1 Maret 2014, dari Segmentation Study Guide: K. Jarvelin dan J. Kekalainen (2000). IR evaluation methods for retrieving highly relevant documents, Proceedings of the 23rd annual international ACM SIGIR conference on Research and development in information retrieval, SIGIR ’00, ACM, 2000.
Burger, J. D., Henderson, J., Kim, G., & Zarrella, G. (2011): Discriminating Gender on Twitter, Proceedings of the Conference on Empirical Methods in Natural Language Processing, Association for Computational Linguistics, 1301 – 1309.
6. REFERENSI
Makalah ini telah menunjukkan bagaimana aplikasi rekomendasi buzzer dapat menghasilkan rekomendasi untuk pemasaran produk berupa iklan. Peringkat hasil rekomendasi Buzzer berdasarkan profil follower sesuai dengan peringkat total interaksi terhadap masing-masing iklan. Hal ini dapat dilihat rata-rata nilai NDCG untuk keenam iklan adalah sebesar 0.90 dan 3 dari 6 iklan yang diujikan memiliki persentase kecocokan antara relevansi dan peringkat rekomendasi sebesar 100%. Parameter yang digunakan untuk penentuan target pasar pada penelitian ini sudah cukup mewakili target pasar dari sebuah iklan. Hal ini dapat dilihat dari pengujian berbagai variasi iklan, rata-rata kecocokan antara target pasar dengan profil akun pengguna yang melakukan interaksi adalah sebesar 72.92%. Beberapa ketidakcocokan rekomendasi disebabkan oleh adanya kesalahan prediksi profil follower. Untuk itu, perlu dilakukan penelitian lebih lanjut untuk memperbaiki kinerja model prediksi profil pengguna twitter ini.
76.92 5. KESIMPULAN
0.90
Rata-rata
4 0.98 100.00
6
74.00
1.00
3
5
72.50
0.73
4
4.6 Pengujian Iklan 6
- 5 Favorite 17 5503
2 Favorite 7 6926
7
1 pln_bandung
Profil Sasaran Pasar Prioritas Lokasi Any
Tabel 12. Sasaran Pasar Iklan 6
I si iklan: “Cari sepatu running atau sepatu futsal? Invite aja BBM: 28AFF6F9 | SMS/WA: 0877-6618-8777 atau cek @SepatuDistroID pic.twitter.com/56eag4fvrp”
1
1
1
0 Favorite 7 12051
7 Retweet +
2
2 Pekerjaan Any
2
11 Retweet
1 LokerBdg
3
3
20 Retweet
N D C G infobdg
Follower Re lev an si Perin gkat Reko men dasi
Tabel 11. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 5 Nama Buzzer Interaksi Total Inter aksi Jumlah
3 Jenis Kelamin Laki-laki
3 Status Pernikahan Any
5 Retweet +
4
7 SiaranBola Live
9
2 .
3
81
1 Favorite 7 2976
6 Retweet +
1 . infosuporte r
4
3 Umur Any
8
12 Retweet
Rekomen dasi N D C G PLESETA NBOLA
Interaksi Total Inter aksi Juml ah Follo wer Rele vansi Peringkat
Tabel 13. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 6 Nama Buzzer
pada iklan 6 tinggi, yaitu di atas 0.98. Perbedaan yang terjadi hanya posisi peringkat dari “infosuporter” dan “SiaranBolaLive” yang tertukar. Sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata 100% dengan target pasar yang telah ditentukan.
Error! Not a valid bookmark self-reference. . Nilai NDCG
2 Dengan sasaran pasar seperti yang ditunjukkan oleh didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh
3 Minat Olahraga
8 Rangkuman pengujian rekomendasi Buzzer untuk iklan 1
Siswanto, E., Khodra, M.L. (2013): Predicting Latent Attributes Conference on Advanced Informatics: Concepts, Theory, and of Twitter User by Employing Lexical Features, The 5th Applications, 20-21 Agustus 2014, Bandung. International Conference on Information Technology and
Wibisono, Y., & Faruqi, N. (2013): Penentuan Gender Electrical Engineering (ICITEE), 7-8 Oktober 2013,
Otomatis Berdasarkan Isi Microblog Memanfaatkan Fitur Yogyakarta. Sosiolinguistik, Jurnal Cybermatika, 1(1). Siswanto, E., Khodra, M.L., Dewi, L.J.E. (2014): Prediction of Interest for Dynamic Profile of Twitter User, International