Analisis co-occurrence networks pada big graph

Show simple item record

dc.contributor.advisor Moertini, Veronica Sri
dc.contributor.author Sugianto, Indra Permana
dc.date.accessioned 2023-03-24T03:38:32Z
dc.date.available 2023-03-24T03:38:32Z
dc.date.issued 2022
dc.identifier.other skp42473
dc.identifier.uri http://hdl.handle.net/123456789/14689
dc.description 1827 - FTIS en_US
dc.description.abstract Salah satu tren analisis data saat ini adalah analisis graf dari data media sosial. Data media sosial merupakan contoh big data yang dapat disiapkan menjadi graf dan dianalisis menggunakan teknologi big data. Permasalahan seperti deteksi komunitas dan analisis profil komunitas, menjadi salah satu topik yang banyak diteliti saat ini. Berbagai algoritma deteksi komunitas, seperti Connected Component, Strongly Connected Component, dan Triangle Count telah diimplementasikan. Namun, sebagian besar masih untuk graf tidak berarah, atau membutuhkan input jumlah komunitas, atau banyak algoritma yang komputasinya lambat. Oleh karena itu, kurang cocok diimplementasikan untuk big graph, yaitu big data yang mendeskripsikan relasi antar objek. Pada penelitian sebelumnya, berhasil diciptakan solusi untuk deteksi komunitas pada directed big graph dari data Twitter. Komunitas dapat didefinisikan sebagai sekumpulan pengguna yang aktif berinteraksi pada periode tertentu karena membahas topik tertentu. Solusi yang diusulkan dengan menggunakan Motif Finding, yaitu teknik pengenalan pola (pattern matching) yang diimplementasikan pada library GraphFrames di Apache Spark. Dilakukan perbandingan deteksi komunitas menggunakan algoritma Strongly Connected Component (SCC) dan teknik Motif Finding. Secara waktu eksekusi, didapatkan bahwa teknik Motif Finding memperoleh hasil yang lebih cepat dibandingkan SCC. Namun, teknik Motif Finding, perlu mendefinisikan pola-pola komunitas (motif) yang ingin dideteksi. Skripsi ini berfokus pada deteksi komunitas dan analisis Co-Occurrence untuk analisis profil komunitas dari data Twitter. Co-Occurrence bermakna kemunculan suatu kejadian dalam frekuensi yang tinggi. Contohnya, kemunculan kata “trading” dalam kumpulan teks tweet di domain investasi. Deteksi komunitas menggunakan teknik Motif Finding, sedangkan untuk analisis profilnya menggunakan analisis tweet yang sering dikirimkan di komunitas (co-occur). Analisis Co-Occurrence dilakukan dengan teknik pemodelan topik. Pengujian metode deteksi komunitas dan analisis profil komunitas dilakukan pada data tweet dengan domain Covid berbahasa Indonesia. Berdasarkan eksperimen yang dilakukan, metode di atas dapat mendeteksi komunitas dan menganalisis profilnya melalui kata-kata yang sering dikirimkan. Kata tersebut dapat digunakan untuk mendeskripsikan konten yang dibicarakan pada komunitas yang terbentuk. Namun, kekurangan dari metode di atas adalah harus mengetahui jumlah topiknya secara pasti, jika ingin hasilnya lebih baik. en_US
dc.language.iso Indonesia en_US
dc.publisher Program Studi Teknik Informatika Fakultas Teknologi Informasi dan Sains - UNPAR en_US
dc.subject big graph en_US
dc.subject deteksi komunitas en_US
dc.subject co-occurrence en_US
dc.subject motif finding en_US
dc.subject Apache Spark en_US
dc.subject GraphFrames en_US
dc.subject pemodelan topik en_US
dc.subject Twitter en_US
dc.title Analisis co-occurrence networks pada big graph en_US
dc.type Undergraduate Theses en_US
dc.identifier.nim/npm NPM2017730008
dc.identifier.nidn/nidk NIDN0414076203
dc.identifier.kodeprodi KODEPRODI618#Teknik Informatika


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search UNPAR-IR


Advanced Search

Browse

My Account