Implementasi Algoritma Agglomerative pada Pengelompokkan Data Tweet

Eka Yoga Kartika, S Nurmuslimah, Rani Rotul Muhima

Abstract


Twitter merupakan platform media sosial micro blogging yang masih banyak digunakan hingga saat ini. Twitter masih dimintati untuk media promosi karena twitter menggunakan konsep micro blogging dimana cukup efektif sebagai sarana menulis. Beberapa Tahun terakhir pengguna Twitter banyak menggunakan sebagai sarana promosi untuk memasarkan produk yang dijualnya. Penelitian ini bertujuan untuk mengelompokkan tweet berdasarkan hasil dari tahap preprocessing data yang dilakukan dan nilai pembobotan kata untuk mengukur kata-kata yang ada di dalam setiap tweet, dan penerapan algoritma Agglomerative untuk membentuk kelompok data berdasarkan kemiripan nilai dari pembobotan kata menggunakan metode TF-IDF. Dataset yang digunakan didapatkan dari 3 akun yaitu @TokopediaCare, @ShopeeCare, @BlibliCare berjumlah 1050 data. Algoritma Agglomerative menghasilkan kelompok tweet berbentuk seperti hirarki di mana setiap dokumen dapat terhubung dengan dokumen lain yang menyebar. Dari sebaran data tersebut dikelompokkan dalam bentuk hirarki dan menghasilkan satu kelompok cluster akhir. Data yang telah dikelompokkan selanjutnya divalidasi menggunakan metode Silhouette Coefficient untuk mengukur hasil dari clusttering apakah sudah baik atau belum. Algoritma Agglomerative juga memungkinkan identifikasi lebih mendalam terhadap sub-topik yang mungkin ada di dalam dataset Twitter. Hasil dari penelitian ini dapat memberikan gambaran tentang bagaimana percakapan pengguna Twitter dengan admin e-commerce di platform Twitter mengenai kendala yang dialami dan proses pengembangan strategi komunikasi terhadap pelanggan dalam lingkup media sosial khususnya Twitter.


Keywords


Twitter; TF-IDF; Clustering; Agglomerative;Silhouette Coefficient

Full Text:

PDF

References


N. A. Morgan, K. A. Whitler, H. Feng, and S. Chari, “Research in marketing strategy,” Journal of the Academy of Marketing Science, vol. 47, no. 1. Springer New York LLC, pp. 4–29, Jan. 15, 2019. doi: 10.1007/s11747-018-0598-1.

J. Choi, J. Yoon, J. Chung, B. Y. Coh, and J. M. Lee, “Social media analytics and business intelligence research: A systematic review,” Inf Process Manag, vol. 57, no. 6, Nov. 2020, doi: 10.1016/j.ipm.2020.102279.

P. Harrigan, T. M. Daly, K. Coussement, J. A. Lee, G. N. Soutar, and U. Evers, “Identifying influencers on social media,” Int J Inf Manage, vol. 56, Feb. 2021, doi: 10.1016/j.ijinfomgt.2020.102246.

A. C. Benabdellah, A. Benghabrit, and I. Bouhaddou, “A survey of clustering algorithms for an industrial context,” in Procedia Computer Science, Elsevier B.V., 2019, pp. 291–302. doi: 10.1016/j.procs.2019.01.022.

M. Divyapushpalakshmi and V. Ramachandran, “Improved Overlapping Community Detection in Weighted Complex Social Network Using Hybrid Agglomerative Hierarchical Clustering for optical networks,” 2022, doi: 10.21203/rs.3.rs-1537014/v1.




DOI: https://doi.org/10.31284/p.snestik.2024.5846

Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Eka Yoga Kartika, S Nurmuslimah, Rani Rotul Muhima

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.