Rekomendasi Micro-Influencer Twitter Indonesia untuk Brand Produk dengan Metode Learning to Rank

Mayz, Kirana Zea Sachdania (2024) Rekomendasi Micro-Influencer Twitter Indonesia untuk Brand Produk dengan Metode Learning to Rank. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000081-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2026. Download (4MB) | Request a copy

Abstract

Influencer marketing merupakan salah satu strategi marketing yang digunakan brand untuk meningkatkan brand awareness dan mempromosikan produk atau jasa. Seorang micro-influencer yang memiliki pengikut tidak sebanyak influencer besar dianggap lebih efektif sebagai brand ambassador karena memiliki target audiens yang lebih spesifik. Oleh karena itu, banyak brand menggunakan jasa micro-influencer media sosial sebagai bagian dari kampanye marketingnya. Dalam memilih micro-influencer untuk kerja sama, brand atau agensi periklanan di Indonesia mengalami kesulitan karena banyaknya jumlah micro-influencer namun minimnya data yang ada untuk micro-influencer Twitter (atau X) Indonesia. Oleh karena itu, dibuatlah model machine learning dengan metode Learning to Rank untuk menghasilkan rekomendasi micro-influencer terbaik. Pada Tugas Akhir ini, dilakukan prediksi ranking micro-influencer untuk suatu brand dengan dataset twit brand dan micro-influencer yang diambil dari Twitter. Tahapan yang dilakukan pada Tugas Akhir ini adalah pengumpulan data, praproses data, penghitungan skor relevansi, pembuatan model dan evaluasi model menggunakan metrik MRR, MAP, dan NDCG. Model yang dibangun akan dibandingkan berdasarkan label serta fungsi kerugian. Hasil akhir pada penelitian ini adalah rekomendasi 5 micro-influencer teratas untuk suatu brand. Berdasarkan evaluasi, didapatkan bahwa label frequency dengan fungsi kerugian pointwise Mean Squared Loss menghasilkan metrik tertinggi, yaitu MRR@5 dan MRR@10 sebesar 1,0000, MAP@5 sebesar 0,6667, MAP@10 sebesar 0,7222, dan NDCG sebesar 0,8769. Rekomendasi yang dikeluarkan memiliki micro-influencer relevan pada peringkat 1 untuk seluruh brand yang diujikan.
=================================================================================================================================
Influencer marketing is one of the marketing strategies used by brands to increase brand awareness and promote their products or services. A micro-influencer with less followers than big influencers is perceived as more effective as brand ambassadors because they have a more specific target audience. Therefore, many brands are using the services of social media micro-influencers as part of their marketing campaigns. When selecting micro-influencers, brands in Indonesia encounter difficulties due to the large number of micro-influencers but lack of available data on Indonesian Twitter (or X) micro-influencers. Therefore, a machine learning model using Learning to Rank method was proposed to provide recommendations for the best micro-influencers. In this Final Project, the objective is to predict the ranking of micro-influencer for a given brand using dataset consisting of brand and micro-influencer tweets from June 1, 2022, to December 31, 2022, obtained from Twitter. The steps involved in this Final Project are data collection, data preprocessing, relevance score calculation, model building, and model evaluation using metrics including MRR, MAP, and NDCG. Additionally, the model will be compared based on the labels and loss functions. The result of this research is a recommendation of the top 5 micro-influencers for a brand. The result of the evaluation reveals that the frequency label with pointwise loss, Mean Squared Loss, has the highest metrics, that are MRR@5 and MRR@10 of 1.0000, MAP@5 of 0.6667, MAP@10 of 0.7222, and NDCG of 0.8769. The recommendation output shows the relevant micro-influencers are at the first rank across all brands being tested.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Brand, Micro-Influencer, Twitter, Learning to Rank
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	KIRANA ZEA SACHDANIA MAYZ
Date Deposited:	07 Feb 2024 02:53
Last Modified:	07 Feb 2024 02:53
URI:	http://repository.its.ac.id/id/eprint/106324

Actions (login required)

View Item