Akusisi dan Clustering Data Sosial Media Menggunakan Algoritma K-Means sebagai Dasar untuk Mengetahui Profil Pengguna

Dwiarni, Binuri Ayu (2019) Akusisi dan Clustering Data Sosial Media Menggunakan Algoritma K-Means sebagai Dasar untuk Mengetahui Profil Pengguna. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111440000085-Undergraduate_Theses.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Banyaknya informasi yang tersebar melalui sosial media menyebabkan data sosial media menjadi salah satu sumber data yang menarik untuk diteliti. Pada Twitter, hanya 11,84% dari akun protected di Twitter yang berarti sebagian besar tweetnya terlihat dan mudah dibagikan. Twitter menyediakan layanan Application Programming Interface (API) yang dapat digunakan untuk mengakuisisi data. Untuk bisa menjadikan data yang diakuisi tersebut menjadi sebuah informasi yang berguna diperlukan sebuah proses salah satunya dengan clustering. Algoritma K-Means mempunyai kemampuan mengelompokkan data dalam jumlah cukup besar dengan waktu komputasi yang cepat dan efisien. Salah satu budaya asing yang saat ini sedang terkenal di Indonesia yaitu kebudayaan Korea Selatan (Hallyu). Oleh karena itu Hallyu menjadi studi kasus dalam Tugas Akhir ini. Proses Akuisisi Data Twitter dilakukan dengan cara membangun aplikasi Twitter untuk mendapatkan OAuth Twitter kemudian melakukan akuisisi dengan filter fitur-fitur yang disediakan oleh Twitter API. Dari hasil akuisisi data Twitter yang dilakukan dalam 5 hari dengan ujicoba 87 keyword “K-Pop” dan “K-Drama” dengan batasan latitude -4.640003 dan longitude 109.866141 pada radius 590km didapat 68.393 tweet. Hasil akuisisi data tersebut kemudian dilakukan clustering dengan k = 3. Dimana k_1 menunjukkan waktu tweet yang dianggap pagi. Sedangkan k_2 menunjukkan waktu tweet yang dianggap siang. Dan k_3 menunjukkan waktu tweet yang dianggap malam. Sehingga setelah melakukan clustering di dapat jam 21.00 – 01.00 merupakan mayoritas orang-orang melakukan tweet.
=============================================================================================================================
The amount of information spread through social media causes social media data to be one of the interesting data sources to study. On Twitter, only 11.84% of protected accounts on Twitter mean most of the tweets are visible and easily shared. Twitter provides Application Programming Interface (API) services that can be used to acquire data. To be able to make the data that is extracted into useful information, a process is needed, one of which is clustering. The K-Means algorithm can group large amounts of data with fast and efficient computing time. One of the foreign cultures that are currently famous in Indonesia is South Korean culture (Hallyu). Therefore Hallyu is a case study in this Final Project. The Twitter Data Acquisition Process is done by building a Twitter application to get OAuth Twitter and then making acquisitions with filter features provided by the Twitter API. From the results of Twitter data acquisition conducted in 5 days with the trial 87 the keywords "K-Pop" and "K-Drama" with a limit of latitude -4.640003 and longitude 109.866141 at a radius of 590km, 68,393 tweets were obtained. The results of the data acquisition are then clustered with k = 3. Where k1shows the time the tweet is considered morning. Whereas k2 shows the time of the tweet that is considered the afternoon. And k3 shows the time the tweet was considered night. So that after doing clustering at 9:00 a.m. to 1:00 a.m. is the majority of people tweeting.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Akuisisi Profil Pengguna, Sosial Media, Twitter API, Algoritma Clustering K-Means, Hallyu
Subjects:	Q Science > QA Mathematics > QA278.55 Cluster analysis Q Science > QA Mathematics > QA76.76.A65 Application software. Enterprise application integration (Computer systems) T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Mathematics, Computation, and Data Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Binuri Ayu Dwiarni
Date Deposited:	06 Aug 2026 01:03
Last Modified:	06 Aug 2026 01:03
URI:	http://repository.its.ac.id/id/eprint/69913

Actions (login required)

View Item