Identifikasi Influencer Untuk Pemasaran Merek Di Instagram Dengan Multimodal Learning

Ananta, Vito (2025) Identifikasi Influencer Untuk Pemasaran Merek Di Instagram Dengan Multimodal Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025211224-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (14MB) | Request a copy

Abstract

Identifikasi influencer yang tepat untuk pemasaran merek di Instagram merupakan tantangan yang kompleks karena melibatkan berbagai faktor seperti kredibilitas, kualitas konten, jangkauan, dan keselarasan dengan nilai-nilai merek. Tugas akhir ini bertujuan untuk mengembangkan model multimodal learning untuk identifikasi influencer yang mengintegrasikan analisis gambar, teks, dan data numerik. Model yang dikembangkan memanfaatkan model pre-trained ALIGN. Model ALIGN menggunakan Convolutional Neural Network (CNN) untuk pemrosesan gambar unggahan, Natural Language Processing (NLP) untuk pemrosesan caption. Model ALIGN digunakan sebagai basis untuk menghasilkan embedding multimodal yang dapat dimanfaatkan sebagai pengetahuan untuk menilai keselarasan antar modalitas. Eksperimen dilakukan pada data yang mencakup 34.000 unggahan dari 10.145 micro influencer di Instagram. Model menghasilkan skor kecocokan berdasarkan keselarasan unggahan dengan nilai merek (langsung dan tidak langsung) dan kinerja unggahan dalam menjangkau pengikut dan pengguna umum Instagram. Evaluasi kinerja model dilakukan menggunakan metrik Mean Average Precision (MAP) untuk mengukur seberapa baik system memisahkan item yang relevan dari yang tidak relevan, dan Normalized Discounted Cumulative Gain (NDCG) untuk mengukur kualitas relevansi posisi pemeringkatan yang divalidasi oleh manusia. Hasil evaluasi menunjukkan kinerja yang baik, dengan skor Mean Average Precision at 5 (MAP@5) sebesar 0,9040 dan rata-rata Normalized Discounted Cumulative Gain at 10 (NDCG@10) sebesar 0,9029, yang menunjukkan kemampuan model untuk mengidentifikasi dan memeringkatkan influencer secara tepat. Tugas akhir ini memiliki kekuatan utama dalam hal otomatisasi yaitu model dapat langsung dipakai tanpa harus memasukan data influencer secara manual, dan fleksibilitas yang memungkinkan model dijalankan sesuai tujuan dari kampanye pemasaran yakni terdapat input untuk nilai bobot konten unggahan dan kinerja engagement.
======================================================================================================================================
Identifying suitable influencers for brand marketing on Instagram is a complex challenge involving various factors such as credibility, content quality, reach, and alignment with brand values. This thesis aims to develop a multimodal learning model for influencer identification that integrates image, text, and numerical data analysis. The developed model utilizes the pretrained ALIGN model, which uses a Convolutional Neural Network (CNN) for processing post’s images and Natural Language Processing (NLP) for processing captions. The ALIGN model serves as a basis for generating multimodal embeddings to assess inter-modality alignment. Experiments were conducted on a dataset of 34,000 posts from 10,145 microinfluencers on Instagram. The model generates compatibility scores based on post alignment with brand values (direct and indirect) and post’s performance in reaching followers and general Instagram users. The model's performance was evaluated using Mean Average Precision (MAP) to measure how well the system separates relevant from irrelevant items and, Normalized Discounted Cumulative Gain (NDCG) to measure the quality of the relevance of the ranking positions validated by humans. The evaluation results show good performance, achieving a Mean Average Precision at 5 (MAP@5) of 0.9040 and a mean Normalized Discounted Cumulative Gain at 10 (NDCG@10) of 0.9029, indicating the model's capability to accurately identify and rank influencers. This thesis main strengths are its automation, allowing the model to be used directly without manually inputting influencer data, and its flexibility, which enables the model to be run according to the marketing campaign's objectives through inputs for weighting post content and engagement performance.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	brand marketing, instagram, micro-influencer, multimodal learning
Subjects:	R Medicine > R Medicine (General) > R858 Deep Learning T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Vito Febrian Ananta
Date Deposited:	28 Jul 2025 07:43
Last Modified:	28 Jul 2025 07:43
URI:	http://repository.its.ac.id/id/eprint/122186

Actions (login required)

View Item