`
SOCIAL NETWORK LISTENING KASUS KEBAKARAN HUTAN DI INDONESIA PADA INSTAGRAM MENGGUNAKAN GRAPH CLUSTERING
RISKI ADI KURNIAWAN
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Social Network Listening Kasus Kebakaran Hutan di Indonesia pada Instagram Menggunakan Graph Clustering adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juli 2016 Riski Adi Kurniawan NIM G64110031
ii
ABSTRAK RISKI ADI KURNIAWAN. Social Network Listening Kasus Kebakaran Hutan di Indonesia pada Instagram Menggunakan Graph Clustering. Dibimbing oleh RINA TRISMININGSIH. Social network listening merupakan metode dalam melakukan analisis social network dengan mengidentifikasi dan mengumpulkan informasi yang dapat dijadikan sumber data pada kasus tertentu. Analisis ini menggunakan data hashtag dari Instagram sebagai data uji yang digunakan. Penelitian ini melakukan analisis pada kasus kebakaran hutan yang terjadi di Indonesia. Analisis ini dilakukan untuk mendapatkan ringkasan informasi menggunakan graph clustering pada Gephi. Graph clustering dilakukan dengan dua tahap proses yaitu modularity dan fitering. Penelitian ini menghasilkan jumlah node sebanyak 36 dengan persentase 0.68% dari jumlah node awal sebanyak 5280 dan jumlah edge sebanyak 553 dengan persentase 0.92% dari jumlah edge awal sebanyak 64969. Proses analisis menghasilkan lima kluster yang merepresentasi ringkasan informasi dari hasil analisis graph clustering. Kluster yang terbentuk kemudian dianalisis dan divisualisasikan dalam aplikasi berbasis web untuk dilakukan identifikasi terhadap node yang merepresentasikan isu lain yang muncul pada kasus kebakaran hutan di Indonesia. Kata kunci: graph clustering, hashtag, kebakaran hutan, social network listening
ABSTRACT RISKI ADI KURNIAWAN. Social Network Listening of Forest Fire Cases in Indonesia on Instagram Using Graph Clustering. Supervised by RINA TRISMININGSIH. Social network listening is a method for conducting social network analysis by identifying and collecting information that can be used as the data source in certain cases. This research used hashtags from Instagram as the data source and conducted an analysis from the forest fire cases in Indonesia. The analysis aimed to obtain information summary using graph clustering on Gephi. Graph visualization was done using two-stage processess, which are modularity and filtering. This research resulted in 36 nodes with the percentage of 0.68% from 5280 initial nodes and 553 edges with the percentage of 0.92% from 64969 initial edges. The analysis process showed five clusters that represented the information summary from the graph clustering analysis result. The formed clusters were then analyzed and visualised on a web-based application to identifiy towards the node that represented another issues which appeared in the forest fire cases in Indonesia. Keywords: forest fires, graph clustering, hashtag, social network listening
iii
SOCIAL NETWORK LISTENING KASUS KEBAKARAN HUTAN DI INDONESIA PADA INSTAGRAM MENGGUNAKAN GRAPH CLUSTERING
RISKI ADI KURNIAWAN
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016
iv
Penguji: 1 Firman Ardiansyah, SKom MSi 2 Muhammad Abrar Istiadi, SKomp MKom
v
Judul Skripsi : Social Network Listening Kasus Kebakaran Hutan di Indonesia pada Instagram Menggunakan Graph Clustering Nama : Riski Adi Kurniawan NIM : G64110031
Disetujui oleh
Rina Trisminingsih, SKomp MT Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
vi
vii
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Judul yang dipilih dalam penelitian ini ialah Social Network Listening Kasus Kebakaran Hutan di Indonesia pada Instagram Menggunakan Graph Clustering. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana Ilmu Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis menyadari dalam perjalanan masa perkuliahan sampai dengan pencapaian akhir ini telah banyak pihak yang membantu dan mendukung melalui berbagai cara. Oleh karena itu, penulis ingin mengucapkan terima kasih kepada: 1 Ibu (Giyarni) dan Bapak (Suyono) yang selalu memberikan dukungan, motivasi dan doa tanpa henti kepada penulis, serta Adek (Yogi Adi Pratama) yang selalu memberikan dukungan dan bantuan kepada penulis. 2 Rina Trisminingsih, SKomp MT selaku pembimbing skripsi yang banyak memberikan motivasi, masukan dan arahan, baik selama perkuliahan maupun penelitian. 3 Firman Ardiansyah, SKom MSi dan Muhammad Abrar Isyadi, SKomp MKom selaku penguji skripsi yang telah memberikan saran dan masukan dalam menyelesaikan penelitian. 4 Para dosen dan staf pegawai Departemen Ilmu Komputer yang banyak membantu selama penulis duduk di bangku perkuliahan. 5 Sahabat bimbingan; Intan, Sarah, Bujung, Dimas, Hendra, Fariz, Yohanes, dan Gamma yang tidak pernah bosan mengingatkan dan membantu kelancaran penyelesaian skripsi. 6 Sahabat terbaik; Ditta, Pulung, Tahta, Indra, Dipay, Tita, Feber, Dody, Diko, Abi, dan Sopi yang selalu memberikan semangat dan hiburan selama penyelesaian skripsi. 7 Sahabat pejuang skripsi; Aziz, Bismo, Dawam, Yusman, Fuji, Doko, Ervan dan Ilfa yang setia berjuang bersama menyelesaikan skripsi. 8 Sahabat Ilmu Komputer angkatan 48 dan angkatan 49 atas dukungan, semangat, hiburan dan kenangan yang diberikan. 9 Sahabat UKM Century IPB dan FFI Chapter Bogor atas motivasi, semangat dan kenangan yang diberikan. 10 Dan semua pihak lainnya yang terlibat dalam penulisan skripsi ini yang tidak dapat disebutkan namanya satu per satu. Semoga skripsi ini dapat memberikan manfaat dan dapat membantu bagi semua pihak yang membutuhkan.
Bogor, Juli 2016 Riski Adi Kurniawan
viii
ix
DAFTAR ISI DAFTAR TABEL
x
DAFTAR GAMBAR
x
DAFTAR LAMPIRAN
x
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
3
METODE
5
Data Penelitian
5
Tahapan Penelitian
5
Lingkungan Pengembangan
7
HASIL DAN PEMBAHASAN
7
Akuisisi Data Instagram
7
Layouting Menggunakan Algoritme ForceAtlas2
9
Social Network Listening Menggunakan Graph Clustering
11
Analisis Visualisasi Data
18
Visualisasi Graph Clustering Berbasis Web
18
SIMPULAN DAN SARAN
19
Simpulan
19
Saran
19
DAFTAR PUSTAKA
20
LAMPIRAN
21
RIWAYAT HIDUP
29
x
DAFTAR TABEL 1 2 3 4 5 6 7
Contoh datasheet pada node hasil akuisisi data Instagram Contoh datasheet pada edge hasil akuisisi data Instagram Fungsi layout berdasarkan tingkat kompleksitasnya Jumlah kluster yang dihasilkan dari setiap nilai resolution pada iterasi 1 Persebaran kluster pada proses modularity iterasi 1 Jumlah kluster yang dihasilkan dari setiap nilai resolution pada iterasi 2 Jumlah kluster yang dihasilkan dari setiap nilai resolution pada iterasi 3
8 9 9 12 12 14 16
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9
Tahapan penelitian Graf sebelum dilakukan layouting pada Gephi Graf setelah dilakukan layouting pada Gephi Visualisasi graf proses modularity iterasi 1 pada Gephi Visualisasi graf proses filtering iterasi 1 pada Gephi Visualisasi graf proses modularity iterasi 2 pada Gephi Visualisasi graf proses filtering iterasi 2 pada Gephi Visualisasi graf proses modularity iterasi 3 pada Gephi Visualisasi graf proses eliminasi tahap modularity iterasi 3 pada Gephi 10 Contoh visualisasi graph clustering proses iterasi 2 berbasis web
6 11 11 13 14 15 16 17 17 19
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8
Review tampilan antarmuka Gephi 0.9.1 Kode program fungsi pagination proses iterasi menggunakan tools Instagram Hashtag Explorer Kode program fungsi matriks proses iterasi menggunakan tools Instagram Hashtag Explorer Hasil perbandingan fitur fungsi pada proses layouting menggunakan algoritme ForceAtlas2 Datasheet node pada proses filtering iterasi 1 Datasheet node pada proses filtering iterasi 2 Datasheet node pada proses filtering iterasi 3 Kluster hasil analisis visualisasi data
21 22 22 23 25 26 27 28
1
PENDAHULUAN Latar Belakang Media sosial kini menjadi fenomena baru di dunia internet. Hampir sebagian besar pengguna internet dari berbagai kalangan dapat mengakses media sosial kapanpun dan dimanapun. Media sosial memberikan banyak keuntungan dan kemudahan bagi setiap pengguna untuk setiap kebutuhannya. Media sosial merupakan layanan berbasis web yang memungkinkan individu membangun profil dalam sistem yang terbatas, berhubungan dengan pengguna lain untuk berbagi informasi, dan melihat profil pengguna lain di dalam sistem tersebut (Boyd dan Ellison 2007). Media sosial memungkinkan peneliti untuk menganalisis arus data untuk menemukan berbagai peristiwa yang terjadi di seluruh dunia. Sebagai contoh, para peneliti telah menunjukkan bahwa gempa bumi dapat cepat terdeteksi dengan menganalisis kumpulan tweet (Sakaki et al. 2010). Social network listening merupakan sebuah metode yang melakukan pendataan, pembacaan, pencatatan, identifikasi, dan analisis terhadap sebuah kasus sosial yang terjadi melalui sebuah media sosial sebagai objek ujinya (Allen 2014). Hal tersebut berkaitan erat dengan social network analysis yang juga sebagai media analisis pada kasus sosial masyarakat yang terjadi. Social Network Analysis (SNA) dapat dideskripsikan sebagai sebuah studi yang mempelajari tentang hubungan manusia dengan memanfaatkan graf (Tsvetovat & Kouznetsov 2011). Teori graf dapat dimanfaatkan untuk memeriksa struktur dari hubungan sosial dalam suatu kelompok untuk mengidentifikasi hubungan antar individu. Dengan menganalisis social network pada masyarakat menggunakan social network listening akan mampu memunculkan ringkasan dan visualisasi data dari kasus yang diuji melalui data real yang telah diproses sebelumnya. Dari analisis tersebut kemudian akan didapatkan sebuah pola baru terhadap kebiasaan dan perilaku masyarakat terhadap sebuah isu yang muncul baik langsung ataupun tidak langsung dirasakan oleh masyarakat dan isu lain yang mucul bersamaan dengan isu yang menjadi pusat kajian secara lebih akurat. Dengan demikian akan mudah untuk membuat sebuah tindak penanggulangan yang dapat diterapkan pada setiap kasus yang terjadi di masyarakat melalui analisis data yang dilakukan pada media sosial. Indonesia adalah salah satu negara dengan banyak tantangan masalah yang harus dipecahkan, salah satu masalah yang sering muncul dan belum terselesaikan adalah pada kasus kebakaran hutan di Indonesia dengan berbagai masalahnya. Kepala Pusat Data dan Informasi Badan Nasional Penanggulangan Bencana (BNPB) Sutopo Purwo Nugroho mengatakan, luas area kebakaran hutan dan lahan (karhutla) yang tersebar di Kalimantan, Sumatera, dan Papua pada tahun 2015 sudah sebesar 2 089 911 hektare. Jumlah lahan yang terbakar memang lebih luas tahun 1997, tapi dampak ekonomi dan jumlah korban jiwa lebih besar terjadi pada tahun 2015. Kerugian negara akibat karhutla ini diperkirakan sudah lebih dari 20 trilliun rupiah (Utama 2015). Kasus kebakaran hutan di Indonesia menjadi salah satu topik yang menjadi sorotan di berbagai media tidak terkecuali pada media sosial. Banyaknya informasi yang beredar luas pada media sosial menyebabkan
2
banyak pelaku media sosial dari berbagai kalangan yang memberikan respon positif maupun negatif terhadap kasus tersebut. Respon tersebut kemudian akan membentuk respon baru dari masyarakat lain sehingga menyebabkan sebuah pola kebiasaan baru dari komunikasi yang terjadi. Gephi sebagai salah satu open source network visualization platform dengan salah satu fungsi melakukan social network analysis yang dapat digunakan untuk menganalisis berbagai kasus yang terjadi menggunakan visualisasi graf. Salah satu analisis tersebut dapat dilakukan dengan menggunakan data dari sosial media berupa data hashtag dari Instagram untuk mendapatkan visualisasi data dari kasus yang diuji. Penelitian ini melakukan social network listening masyarakat pada setiap hashtag yang mengacu pada isu yang diuji dengan melakukan akuisisi data berbasis Instagram. Dari hasil tersebut dilakukan proses social network listening dengan graph clustering pada Gephi untuk mendapatkan kluster data. Hasil tersebut kemudian akan dilakukan analisis dan identifikasi terhadap masyarakat pengguna sosial media mengenai isu lain yang terjadi pada kasus kebakaran hutan di Indonesia. Perumusan Masalah Rumusan permasalahan pada penelitian ini adalah bagaimana menganalisis social network yang terjadi pada masyarakat terkait kasus kebakaran hutan di Indonesia dengan berbasis data Instagram menggunakan graph clustering. Tujuan Penelitian Tujuan dari penelitian ini adalah mendapatkan data kategori isu lain terkait kebakaran hutan di Indonesia menggunakan metode social network listening berbasis data Instagram dengan graph clustering menggunakan Gephi. Manfaat Penelitian Manfaat dari penelitian ini adalah menghasilkan informasi terkait isu atau kasus lain yang muncul pada masyarakat pengguna sosial media Instagram menggunakan graph clustering terkait kasus kebakaran hutan di Indonesia untuk didapatkan suatu informasi yang dapat dimanfaatkan oleh stakeholder atau pemerintah terkait. Ruang Lingkup Penelitian 1
2 3
Lingkup dari penelitian ini, yaitu: Studi kasus pada penelitian ini dibatasi pada data hashtag dengan keyword kebakaranhutan pada Instagram mengenai kasus kebakaran hutan di Indonesia yang diambil menggunakan tool Instagram Hashtag Explorer. Penelitian ini melakukan analisis dengan metode social network listening menggunakan graph clustering pada Gephi. Hasil analisis berupa graph clustering divisualisasikan berbasis web.
3
TINJAUAN PUSTAKA Social Network Listening Allen (2014) menyatakan bahwa menggunakan social listening technologies, pemahaman secara komprehensif dapat diperoleh tentang sebuah percakapan yang terjadi secara online tentang organisasi ataupun sebuah program dengan menganalisis kekayaan data yang terdapat pada media sosial. Memungkinkan mendapatkan sebuah wawasan untuk menginformasikan sebuah strategi komunikasi digital yag mencerminkan suara dan pendapat dari masyrakat, pelanggan, bahkan konstituen. Social listening tools dapat menjelajah social web, mengumpulkan rincian percakapan online dari berbagai sumber termasuk Facebook, Twitter, Instagram, LinkIn, YouTube, blog, dan situs berita online. Tools ini kemudian mampu menganalisis percakapan dan memvisualisasikan data dalam format yang direncana. Berikut merupakan beberapa aspek terkait proses tersebut (Allen 2014): 1 Initial Online Analysis Social analysis secara dalam dan detail masuk kedalam sebuah percakapan yang diuji untuk mendapatkan sebuah wawasan dan informasi yang bertujuan untuk mencapai tujuan yang diharapkan. 2 Ongoing Social Media Monitoring Pemantauan dari percakapan online pada kasus uji untuk memungkinkan melacak dan mengidentifikasi tren yang muncul, pengaruh dalam ruang, situasi krisis dan pergeseran dalam sentimen. Sehingga data yang dikumpulkan dari waktu ke waktu dapat mendukung keputusan yang akan diambil. 3 Target Audience Research Social media tools digunakan untuk memberikan wawasan tentang target yang akan dicapai, mengidentifikasi kekhawatiran yang timbul, tantangan, dan kebiasaan melalui pantauan pada media sosial. 4 Performance Metrics Reporting Mengidentifikasi sebuah percakapan untuk mengetahui taktik dalam meningkatkan hasil pada tujuan. 5 Campaign Monitoring and Reporting Evaluasi dari reaksi yang terjadi secara real-time untuk mengukur dampak dan mengoptimalkan hasil yang didapat. 6 Crisis Communication Monitoring Menjaga situasi untuk merspon dengan cepat dan tepat dalam mengendalikan situasi. 7 Brand Voice and Content Development Membangun branding atas hasil yang telah didapat memanfaatkan social listening tools.
4
Graf Menurut Yulianti (2008), suatu graf didefinisikan oleh himpunan verteks (node) dan himpunan sisi (edge). Verteks menyatakan entitas-entitas data dan sisi menyatakan keterhubungan antara verteks. Biasanya untuk suatu graf G digunakan notasi matematis. G = (V , E) Menjelaskan: G = Graf V = Simpul atau Vertex, atau Node, atau Titik E = Busur atau Edge, atau arc Istilah pada graf sebagai berikut: Vertex adalah himpunan node atau titik pada sebuah graf Sisi atau edge adalah himpunan garis yang menghubungkan tiap node atau vertex Jenis-jenis pada graf sebagai berikut: Graf Berarah (directed graph): adalah graf yang edge-nya memiliki arah, sebagai contoh edge AB menghubungkan vertex A ke B, dimana hubungan vertex B ke A, harus diperoleh 2 dari edge lain, yaitu edge BA, dan jika edge BA tidak ada, maka node B ke A tidak memiliki hubungan, meski node A ke B memiliki hubungan Graf Tak Berarah (undirected graph): adalah graf yang edge-nya tidak memiliki arah, sehingga jika edge AB menghubungkan vertex A ke B, maka secara otomatis juga menghubungkan vertex B ke A. Graf Berbobot: adalah suatu graf dimana edge dari graf tersebut memiliki bobot (weight) atau nilai tertentu. Graf Tidak Berbobot: adalah suatu graf dimana edge dari graf tersebut tidak memiliki bobot atau nilai. Algoritme ForceAtlas2 Jacomy (2011) menyatakan bahwa algoritme ForceAtlas2 merupakan algoritme yang dikhususukan untuk penerapan visualisasi graf. Algoritme ini mensimulasikan sistem fisik pada graf. Pada pemrosesannya node saling menyebar konvergen satu sama lain sementara node tepi saling mengumpul secara divergen satu sama lain pada satu titik sentral. Proses ini menghasilkan gerakan secara konvergen dan divergen ke keadaan yang seimbang. Konfigurasi akhir pada proses ini diharapkan dapat membantu menginterpretasikan data. Algoritme ini memiliki setidaknya satu masalah yang terjadi pada tahap pemrosesannya, yaitu graf tidak selalu berkumpul pada satu titik untuk membentuk graf akhir yang sama pada setiap prosesnya. Hasilnya tergantung pada besaran kekuatan yang diterapkan pada setting proses tersebut, keadaan awal dari bentuk graf yang dibentuk, dan tingkat aproksimasi yang digunakan. Algoritme ini tidak dapat membaca posisi node, melainkan harus membandingkan posisinya dengan node lainnya. Namun algoritme ini memiliki keunggulan, yaitu sangat baik dalam meningkatkan interpretasi visual pada graf sehingga dengan mudah membaca informasi dari graf yang ditampilkan, dengan demikian sangat bermanfaat dalam pemakaiannya terkhusus pada social network analysis (SNA).
5
Gephi Gephi adalah perangkat lunak visualisasi dan eksplorasi untuk semua jenis grafik dan jaringan. Gephi merupakan free open source platform yang memungkinkan penggunanya dapat melakukan analisis menggunakan visualisasi graf. Gephi dalam pemrosesannya dapat digunakan dalam bidang sosiologi untuk menunjukkan seberapa baik node yang terhubung. Juga tersedia beberap modul penunjang lainnya seperti degree (power-law), betweenness, closeness, density, path length, diameter, HITS, modularity, dan clustering coefficient (Gephi 2016). Berikut adalah review dari tampilan antarmuka Gephi 0.9.1 yang ditunjukkan pada Lampiran 1. Gephi menawarkan beberapa keunggulan sebagai berikut: Exploratory Data Analysis: mampu menganalisis intuisi dengan berorientasi jaringan melalui manipulasi data secara real time. Link Analysis: mampu mengungkap atau manjabarkan struktur yang mendasari asosiasi antar objek. Social Network Analysis: mampu menciptakan koneksi data sosial untuk memetakan keterhubungan organsasi di dalam masyarakat. Biological Network analysis: mampu mewakili pola data biologis. Poster creation: mampu menghasilkan gambar dengan cetakan berkualitas sebagai media promosi.
METODE Data Penelitian Data yang digunakan pada penelitian ini adalah data berupa hashtag dengan keyword kebakaranhutan pada Instagram mengenai kasus kebakaran hutan di Indonesia. Data hashtag tersebut didapatkan dari seluruh user yang terdaftar pada sosial media Instagram dengan menggunakan tool Instagram Hashtag Explorer untuk kemudian dapat diolah pada Gephi untuk dilakukan analisis. Tahapan Penelitian Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1. Data yang didapatkan pada penelitian ini didapatkan dari proses akuisisi menggunakan tools Instagram Hashtag Explorer dengan menggunkan keyword kebakaranhutan pada Instagram. Kemudian dilakukan analisis menggunakan graf dengan Gephi untuk didapatkan graph cluster. Hasil yang didapatkan kemudian divisualisasikan berbasis web.
6
Mulai
Akuisisi data Instagram
Layouting menggunakan algoritme ForceAtlas2
Social network listening menggunakan graph clustering
Analisis clustering data
Visualisasi graph clustering berbasis web
Selesai Gambar 1 Tahapan penelitian Akuisisi Data Instagram Tahap awal pada penelitian ini adalah mengambil, mengumpulkan, dan menyiapkan data berupa hashtag dari media sosial Instagram. Data hashtag dengan keyword kebakaranhutan ini didapatkan dari seluruh username yang terdaftar pada media sosial Instagram terkait kasus kebakaran hutan di Indonesia pada periode waktu yang telah ditentukan. Pada tahap ini dihasilkan kumpulan data hashtag dari berbagai user Instagram terkait kasus yang diuji. Layouting Menggunakan Algoritme ForceAtlas2 Data yang telah terkumpul kemudian dilakukan layouting menggunakan algoritme ForceAtlas2 pada graf hingga menghasilkan bentuk dan pola graf yang memperlihatkan hubungan antar node dan edge hingga dapat dilakukan proses analisis. Social Network Listening Menggunakan Graph Clustering Pada tahap ini data yang telah diseleksi akan dilakukan proses social network listening menggunakan graph clustering. Analisis yang dilakukan pada tahap ini adalah analisis social network berupa grouping, multy layer layout, interaction graph, partitionning graph, graph ranking, data labolatory, dynamic
7
graph, dan graph filtering yang kemudian dapat menghasilkan sebuah hasil berupa graph clustering. Analisis Clustering Data Clustering data yang telah dihasilkan pada proses sebelumnya kemudian dilakukan analisis dan identifikasi terhadap kasus yang terjadi. Analisis tersebut akan menghasilkan sebuah datasheet yang didapatkan pada proses social network listening menggunakan graph clustering pada Gephi terhadap masalah yang terjadi pada masyarakat pada kasus kebakaran hutan di Indonesia. Visualisasi Graph Clustering Berbasis Web Tahap ini menghasilkan sebuah visualisasi berbasis web dari hasil pengujian yang telah dilakukan pada tahap sebelumnya. Visualisasi yang dihasilkan berupa graph clustering dari proses-proses yang dilakukan dengan menampilkan detail setiap komponen graf yang dihasilkan. Lingkungan Pengembangan Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut : 1. Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut : Processor Intel Core i5 RAM 4 GB LCD HD 14” Harddisk 995 GB HDD 2. Perangkat lunak : Sistem Operasi Windows 7 Home Basic Tools Instagram Hashtag Explorer Microsoft Excel 2010 Notepad++ Gephi 0.9.1 XAMPP v3.2.2 Google Chrome
HASIL DAN PEMBAHASAN Akuisisi Data Instagram Tahap ini melakukan pengambilan data secara otomatis menggunakan tool Instagram Hashtag Explorer yang disediakan oleh Digital Method Intiative Group. Akuisisi data menggunakan data hashtag sebagai data uji yang akan diolah dan dianalisis pada tahap selanjutnya. Data hashtag yang diambil berupa #kebakaranhutan dari sosial media Instagram dari seluruh user aktif yang terdaftar. Data hashtag yang diambil untuk penelitian ini memiliki sifat undirected graph. Sifat graf ini merepresentasikan bahwa tidak ada hubungan arah yang terjadi
8
antara hashtag satu ke hashtag lainnya. Sifat ini akan menunjukkan bahwa dari setiap hashtag yang akan menjadi node pada graf akan dapat memperlihatkan isu atau kejadian lain yang muncul bersamaan isu tertentu terkait kasus yang diuji. Sebagai catatan tools Instagram Hashtag Explorer telah ditutup aksesnya terhitung mulai tanggal 1 Juni 2016. Proses akuisisi data dilakukan dengan metode iterasi yang dilakukan pada tools Instagram Hashtag Explorer. Pada Lampiran 2 kode program tersebut menjalankan fungsi pagination pada proses pengambilan data menggunakan API Instagram yang telah di sinkronasikan. Fungsi pagination ini melakukan paging sebanyak 20 item pada setiap satu iterasi yang dilakukan dengan mencocokan kata kunci tag dengan data akuisisi pada setiap post. Proses ini dimulai pada waktu dan tanggal saat pengambilan data dimulai dan berakhir saat proses paging sudah tidak memenuhi syarat dengan tidak menemukan tag yang dicari. Pada Lampiran 3 kode program menjelaskan bahwa dari data string yang didapatkan pada proses paging sebelumnya, akan dilakukan fungsi iterasi matriks dengan menghilankan tanda koma (,) dan membuat semua string menjadi bentuk lowercase untuk dipisahkan menjadi bagian bagian tag yang akan menjadi label dari data hashtag yang dicari. Data yang digunakan pada proses ini adalah data hashtag dengan keyword kebakaranhutan. Proses yang dilakukan menghasilkan 108 iterasi, kemudian dari iterasi tersebut menghasilkan 2007 media item atau posting yang terakuisisi pada periode unggah tanggal 17-09-2011 pukul 11:08:02 hingga tanggal 10-04-2016 pukul 15:04:06. Data tersebut dihasilkan dari 1544 user aktif yang terdaftar pada sosial media Instagram. Hasil iterasi tersebut menghasilkan datasheet berupa node dan edge yang akan digunakan pada proses selanjutnya. Node yang dihasilkan pada iterasi tersebut sebanyak 5280 node dengan detail data sebagai berikut: id sebagai nomor identitas dari setiap hashtag, label sebagai data hashtag, dan count sebagai banyaknya hashtag yang muncul pada seluruh post dari sebaran data hasil akusisi data. Contoh data node tersebut ditunjukkan pada Tabel 1. Tabel 1 Contoh datasheet pada node hasil akuisisi data Instagram Id Label Count 3d630eac057912717bba1bf6204e4e5d asap 378 9281b85b9ef7d167d50595c8119673b0 karhutla 35 d8be676024172fc23253d1b11bd78214 berduka 6 Edge yang dihasilkan pada iterasi tersebut sebanyak 64969 edge dengan detail data sebagai berkut: source sebagai nomor identitas sebuah node yang menjadi node awal dari relasi antar node, target sebagai nomor identitas sebuah node yang menjadi node akhir dari relasi antar node, type sebagai jenis dari graf, id sebagai nomor identitas dari pasangan relasi antar node yang terhubung oleh edge, dan weight sebagai bobot yang dimiliki setiap relasi antar node yang didapatkan melalui banyaknya relasi yang terjadi antar node yang terdapat pada setiap post dari seluruh sebaran data hasil akuisis data. Contoh data edge tersebut ditunjukkan pada Tabel 2.
9
Tabel 2 Contoh datasheet pada edge hasil akuisisi data Instagram Source Target Type Id Weight 235bd11d59c82c80f 4cbd0e08068feb8a Undirected 1 1.0 3777636518f5be5 6bb6e9d7f4d061f7 b566bcf8093f46fb3 f74b16fc1e87e446a Undirected 34786 4.0 48b95f0d9b114b5 5fb1c45583be76d Layouting Menggunakan Algoritme ForceAtlas2 Beberapa fungsi layout yang disediakan oleh Gephi memiliki beberapa kekurangan dan kelebihan tergantung kebutuhan pengguna dalam memakai fungsi layout tersebut. Fungsi layout tersebut dapat dilihat berdasarkan tingkat kompleksitas yang dimilikinya. Semakin baik tingkat kompleksitasnya maka akan semakin baik kecepatan fungsi layout tersebut dalam mengeksekusi prosesnya. Fungsi layout yang terdapat pada Gephi berdasarkan kompleksitasnya ditunjukkan pada Tabel 3. Tabel 3 Fungsi layout berdasarkan tingkat kompleksitasnya (Heymann 2011) Fungsi Layout Kompleksitas ForceAtlas O(N2) Fruchterman-Reingold O(N2) Yifan Hu Multilevel O(N*log(N)) OpenOrd O(N*log(N)) ForceAtlas2 O(N*log(N)) Circular O(N) Radial Axis O(N) Geographic map O(N) Jacomy (2011) menyatakan bahwa algoritme ForceAtlas2 memberikan banyak kelebihan dibandingkan algoritme lain yang dapat digunakan dalam pemrosesan graf. Kelebihan dari algoritme ini adalah sebagai berikut: Performa: Algoritme ini memberikan performa yang lebih baik dari segi kecepatan dan presisi data yang dihasilkan dengan cakupan data 10 sampai 10.000 node dengan keseimbangan visualisasi yang baik. Desain: Desain yang ditampilkan dari hasil algoritme ini memberikan pengalaman yang baik pada penggunannya. Karena dapat memvisualisasikan dengan baik persebaran node yang terbentuk dan memudahkan untuk dianalisis dari representasi graf yang dihasilkan. Fitur: Algoritme ini memberikan fitur yang telah dimodifikasi dan diperbaiki dari algoritme-algoritme loyouting lain sehingga menghasilkan hasil proses yang lebih baik.
10
Layouting dilakukan untuk mempermudah pemrosesan graph clustering dengan medistribusikan node dan edge menjadi bentuk yang lebih representatif. Proses layouting menggunakan algoritme ForceAtlas2 pada Gephi dilakukan dengan mengaktifkan serta memasukkan nilai tertentu kedalam beberapa fitur fungsi yang terdapat pada algoritme tersebut, Fitur fungsi tersebut diantaranya linlog mode, grafity, scaling, edge weight, dissuade hubs, prevent overlap, dan Approximate repulsion. Pada penelitian ini fitur fungsi linlog mode dan dissuade hubs tidak diaktifkan. Fitur fungsi tersebut tidak memberikan bentuk graf dengan visualisasi kluster yang lebih baik sehingga tidak dapat merepresentasikan informasi lebih banyak dari bentuk graf baru yang terbentuk. Sehingga fitur fungsi lain diaktifkan dan ditentukan nilainya untuk mendapatkan bentuk graf yang lebih baik. Fitur fungsi gravity diaktifkan dengan nilai 1.0 pada layout setting. Nilai tersebut merepresentasikan tingkat penarikan graf secara divergen, dengan nilai yang lebih tinggi maka akan membuat tingkat penarikan semakin kuat dan membentuk graf yang lebih padat begitu juga sebaliknya. Fitur fungsi scaling diaktifkan dengan nilai 2.0 pada layout setting. Secara khusus proses ini memberikan skala bagi node dan edge yang dibentuk pada graf berdasarkan hasil konvergen dan divergen graf yang telah dilakukan. Semakin besar nilai scaling maka akan semakin besar pula skala visualisasi node dan edge yang terbentuk begitu juga sebaliknya. Fitur fungsi edge weight diaktifkan dengan nilai 1.0 pada layout setting. Nilai weight berpengaruh terhadap kekuatan relasi antar komponen node sehingga dapat merepresentasikan hubungan kuat dan lemahnya sebuah koneksi. Nilai yang lebih besar akan merepresentasikan nilai edge weight yang lebih besar beberapa kali lipat senilai dengan kenaikan nilai yang dimasukan dengan visualisasi weight yang lebih besar dan begitu pula sebaliknya. Fitur fungsi prevent overlap diaktifkan untuk membuat node pada graf tidak bertumpuk satu sama lain sehingga menjadikan graf akan lebih mudah dilakukan analisis kluster yang terbentuk. Fitur fungsi approximate repulsion diaktifkan untuk meminumumkan waktu yang dilakukan dalam memproses layouting graf pada data penelitian ini. Proses ini dilakukan untuk meningkatkan proses eksekusi pada graf berukuran besar dan dapat meminimumkan waktu proses yang dilakukan pada graf berukuran besar. Hasil perbandingan visualisasi graf setiap fitur fungsi yang dilakukan pada proses layouting menggunakan algoritme ForceAtlas2 ditunjukkan pada Lampiran 4. Graf pada Gambar 2 merupakan graf sebelum dilakukan layouting menggunakan algoritme ForceAtlas2. Graf tersebut masih merepresentasikan node dan edge yang masih berkumpul dalam satu bagian dan masih belum merepresentasi dengan baik untuk dilakukan analisis. Node dan edge yang tersebar pada graf masih menumpuk di satu posisi sehingga graf tersebut belum merepresentasikan count dan weight yang dimiliki untuk membentuk struktur baru yang lebih baik dalam visualisasi representasinya.
11
Gambar 2 Graf sebelum dilakukan layouting pada Gephi Graf pada Gambar 3 merupakan graf setelah dilakukan layouting menggunakan algoritme ForceAtlas2. Graf tersebut telah memberikan pola representasi baru terhadap node dan edge yang dihasilkan. Proses tersebut membentuk visualisasi penyebaran node dan edge sehingga menghasilkan beberapa titik penyebaran dan membentuk beberapa kluster. Visualisasi ini dapat menjadi awal representasi graf yang lebih baik untuk mendapatkan informasi lebih banyak.
Gambar 3 Graf setelah dilakukan layouting pada Gephi Social Network Listening Menggunakan Graph Clustering Iterasi 1 Modularity Proses modularity dilakukan untuk mendapatkan kluster pada komponen graf berdasarkan interaksi antar node dan edge pada graf. Proses modularity membagi seluruh komponen graf menjadi beberapa kluster berdasarkan count dan weight dari seluruh node dan edge yang terdapat pada graf. Penelitian ini melakukan proses modularity dengan memasukkan nilai resolution untuk
12
mendapatkan jumlah kluster yang diinginkan. Nilai resolution dimasukkan berdasarkan kebutuhan jumlah kluster yang ingin didapatkan, semakin besar nilai resolution yang dimasukkan maka akan semakin sedikit jumlah kluster yang dihasilkan dan begitu pula sebaliknya. Berikut hasil yang didapatkan dari berbagai nilai resolution terhadap jumlah kluster yang dihasilkan yang ditunjukkan pada Tabel 4. Tabel 4 Jumlah kluster yang dihasilkan dari setiap nilai resolution pada iterasi 1 Nilai resolution Jumlah kluster 1.0 98 2.0 75 3.0 47 4.0 22 5.0 13 Tahap iterasi 1 dilakukan dengan menggunakan nilai resolution sebesar 4.0, karena nilai tersebut merepresentasikan jumlah kluster dengan sebaran node dengan nilai degree yang lebih dekat pada setiap kluster yang dihasilkan. Kluster yang dihasilkan berjumlah 22 kluster dengan persebaran data yang ditunjukkan pada Tabel 5. Tabel 5 Persebaran kluster pada proses modularity iterasi 1 Class ID Jumlah node (%) 0 92.94 1 0.21 2 1.76 3 0.17 4 0.27 5 0.11 6 0.09 7 0.09 8 0.28 9 0.98 10 0.21 11 0.27 12 0.19 13 0.17 14 0.42 15 0.11 16 0.09 17 0.53 18 0.42 19 0.25 20 0.23 21 0.21
13
Proses ini membentuk satu kluster besar dan menyisakan kluster-kluster kecil di sekelilingnya. Kluster besar ini kemudian disebut dengan giant component yang merepresentasikan bagian inti dari graf yang akan dianalisis lebih dalam. Graf berikut divisualisasikan dengan menghapus seluruh edge dan menyisakan seluruh node yang tersebar untuk mendapatkan visualisasi yang lebih baik dalam menampilkan sejumlah kluster yang terbentuk. Graf pada Gambar 4 merepresentasikan bahwa giant component ditunjukkan dengan kluster besar berwarna biru tua sementara kluster-kluster lain direpresentasikan dengan warna lain yang terbentuk disekeliling giant component.
Gambar 4 Visualisasi graf proses modularity iterasi 1 pada Gephi Filtering Proses filtering dilakukan untuk menyeleksi node dan edge sehingga memperlihatkan bentuk graf yang lebih representatif untuk didapatkan informasinya. Proses filtering pada penelitian ini dilakukan berdasarkan topology dari graf. Filtering berdasarkan topology merupakan proses seleksi graf berdasarkan pada bentuk graf yang dihasilkan, dengan demikian graf akan menghasilkan bentuk baru setelah proses filtering. Filtering berdasarkan topology juga memiliki beberapa macam fungsi yang dapat dieksekusi sesuai kebutuhan. Pada penelitian ini topology yang digunakan adalah fungsi Degree Range. Degree Range dipilih karena nilai degree pada sebuah graf merepresentasikan kekuatan hubungan pada setiap komponen graf, sehingga nilai degree yang dihasilkan pada setiap node yang tersebar merepresentasikan nilai count dan weight secara keseluruhan dan spesifik. Degree Range memiliki range nilai dari 1 sampai 5254. Nilai degree terbesar dimiliki oleh node kebakaranhutan sebesar 5254, dimana node ini yang dijadikan sentral poin pada graf. Proses filtering yang dilakukan adalah menyeleksi dengan nilai Degree Range sebesar 200 sampai 5254. Range ini merepresentasikan bahwa nilai degree dengan batas minimum 200 dan batas
14
maksimum 5254 akan menjadi bagian komponen graf baru, sedangkan nilai degree selain itu akan tereliminasi. Batas nilai degree minimum sebesar 200 dipilih berdasarkan tingkat kedekatan nilai degree yang terbentuk pada nilai tersebut lebih dari 200 yang dimiliki setiap node. Filtering dengan Degree Range sebesar 200 sampai 5254 menghasilkan node sebanyak 56 atau sebesar 1.06% dari jumlah node awal sebanyak 5280 dan edge baru sebanyak 1151 atau sebesar 1.77% dari jumlah edge awal sebanyak 64969, graf hasil filtering tersebut terlihat pada Gambar 5 dan datasheet node tersebut terlampir pada Lampiran 5.
Gambar 5 Visualisasi graf proses filtering iterasi 1 pada Gephi Iterasi 2 Modularity Graf kemudian dilakukan proses modularity iterasi 2 untuk melihat apakah masih terdapat kluster yang terbentuk di antara komponen graf tersebut. Nilai resolution kembali digunakan untuk menentukan jumlah kluster yang terbentuk pada graf tersebut. Berikut hasil yang didapatkan dari berbagai nilai resolution terhadap jumlah kluster yang dihasilkan yang ditunjukkan pada Tabel 6. Tabel 6 Jumlah kluster yang dihasilkan dari setiap nilai resolution pada iterasi 2 Nilai resolution Jumlah kluster 1.2 1 1.1 1 1.0 2 0.9 3 0.8 4 Nilai resolution yang dimasukkan pada proses modularity iterasi 2 dilakukan dengan nilai dengan rentang yang lebih kecil, karena jumlah komponen graf yang sudah sangat kecil sehingga perbedaan nilai resolution yang sangat kecil
15
berpengaruh terhadap jumlah kluster yang dihasilkan. Nilai resolution yang digunakan sebesar 1.0 dengan menyertakan weight sebagai kombinasi parameter nilai yang dimasukkan. Modularity iterasi 2 yang dilakukan menghasilkan dua buah kluster. Graf tersebut ditunjukkan pada Gambar 6 yang menunjukkan bahwa terdapat satu kluster besar yang berkoneksi langsung dengan node sentral dan kluster kecil yang menyabar di sekelilingnya. Dengan demikian graf tersebut menunjukkan bahwa terdapat perbedaan secara frekuensi kemunculan terhadap node pada kluster kecil saat node sentral muncul.
Gambar 6 Visualisasi graf proses modularity iterasi 2 pada Gephi Filtering Proses fitering pada iterasi 2 tidak dilakukan dengan fungsi Degree Range karena graf yang terbentus pada iterasi 1 telah membentuk kluster dengan graf ber-degree sejenis. Sehingga tidak bisa dilakukan filtering berdasarkan nilai degree-nya. Proses filtering yang dilakukan adalah dengan mengeliminasi kluster kecil yang terdapat pada graf. Kluster kecil yang terbentuk kemudian dieliminasi untuk mendapatkan hasil graf baru. Komponen graf baru yang terbentuk dari hasil eliminasi tersebut menghasilkan graf baru dengan jumlah node sebanyak 47 dan edge sebanyak 843, graf hasil filtering tersebut terlihat pada Gambar 7 dan datasheet node tersebut terlampir pada Lampiran 6.
16
Gambar 7 Visualisasi graf proses filtering iterasi 2 pada Gephi Iterasi 3 Modularity Proses ini dilakukan untuk melihat keragaman node yang terbentuk di antara node sentral, maka dilakukan modularity iterasi 3. Proses ini menentukan apakah masih terbentuk kluster lain diluar kluster yang terbentuk bersama node sentral. Berikut hasil yang didapatkan dari berbagai nilai resolution terhadap jumlah kluster yang dihasilkan yang ditunjukkan pada Tabel 7. Tabel 7 Jumlah kluster yang dihasilkan dari setiap nilai resolution pada iterasi 3 Nilai resolution Jumlah kluster 1.2 1 1.1 1 1.0 1 0.9 2 0.8 4 Nilai resolution yang digunakan sebesar 0.9 dengan menyertakan weight sebagai kombinasi parameter nilai yang dimasukkan. Hasil proses modularity iterasi 3 yang dilakukan menghasilkan dua buah kluster. Graf tersebut ditunjukkan pada Gambar 8 yang menunjukkan bahwa terdapat satu kluster besar yang berkoneksi langung dengan node sentral dan kluster kecil yang menyabar di sekelilingnya. Sehingga pada graf ini kembali menunjukkan bahwa terdapat perbedaan secara frekuensi kemunculan terhadap node tersebut saat node sentral muncul.
17
Gambar 8 Visualisasi graf proses modularity iterasi 3 pada Gephi Filtering Kluster kecil yang terentuk pada iterasi 3 dieliminasi untuk mendapatkan hasil graf baru. Komponen graf baru yang terbentuk dari hasil eliminasi kluster kecil pada proses modularity iterasi 3 menghasilkan jumlah node sebanyak 36 dengan presentase 0.68% dari jumlah node awal sebanyak 5280 dan edge baru sebanyak 553 dengan presentase 0.92% dari jumlah edge awal sebanyak 6496, graf hasil filtering tersebut terlihat pada Gambar 9 dan datasheet node tersebut terlampir pada Lampiran 7. Graf ini tidak butuh dilakukan proses iterasi lanjutan karena node yang tersebar telah memiliki koneksi kuat secara langsung berdasarkan nilai degree-nya terhadap node sentral dan telah merepresentasi bentuk graf baru yang lebih kecil. Sehingga jika dilakukan proses iterasi lanjutan akan merusak susunan node dan representasi graf yang dihasilkan. Node yang terdapat pada graf tersebut memiliki nilai degree yang besar sehingga menjadi bagian terdekat dari kluster yang terbentuk dari node sentral.
Gambar 9 Visualisasi graf proses eliminasi tahap modularity iterasi 3 pada Gephi
18
Analisis Visualisasi Data Analisis visualisasi data dilakukan untuk mengambil informasi dari serangkaian proses yang telah dilakukan sebelumnya. Dari hasil sebelumnya didapatkan graf baru berukuran lebih kecil dari ukuran graf semula. Graf tersebut dapat merepresentasikan informasi baru yang lebih detail dan akurat. Proses selanjutnya dilakukan analisis data graf secara manual. Analisis secara manual dilakukan karena proses analisis melalui graph clustering pada Gephi sudah tidak merepresentasi dengan baik jika dilakukan. Hal tersebut karena bentuk graf baru yang terbentuk telah menjadi sebuah komponen graf dengan node yang menyebar disekitar node sental dengan memiliki kemiripan sangat tinggi pada detail komponen node dan edge yang dimiliki. Graf baru yang terbentuk memiliki bentuk yang jauh lebih kecil dibandingkan graf awal yang terbentuk sangat besar sehingga akan lebih mudah untuk dilakukan analisis untuk mendapatkan informasi yang diinginkan. Proses analisis secara manual dilakukan pada data graf dengan membagi komponen graf menjadi beberapa kategori. Kategori dibagi berdasarkan jenis dan makna yang terdapat pada setiap node. Dari data seluruh node yang terdapat pada graf dibagi menjadi lima kategori kluster diantaranya: kluster isu lain terkait kasus kebakaran hutan di Indonesia, kluster tidak berhubungan kasus kebakaran hutan di Indonesia, kluster lokasi kasus kebakaran hutan di Indonesia, kluster slogan kasus kebakaran hutan di Indonesia, kluster terkait kasus kebakaran hutan di Indonesia. Kluster tersebut ditunjukkan pada Lampiran 8. Kluster isu lain terkait kasus kebakaran hutan di Indonesia menjadi hasil akhir dari sejumlah node yang yang merepresentasikan isu lain yang muncul pada kasus kebakaran hutan di Indonesia. Visualisasi Graph Clustering Berbasis Web Tahap ini dilakukan untuk memvisualisasikan hasil proses yang telah dilakukan dalam bentuk visualisasi graf yang lebih dinamis. Pada tahap ini seluruh proses yang dilakukan dibuat visualisasi berbasis web, proses tersebut adalah: proses layouting menggunakan algoritme ForceAtlas2 pada Gephi, proses iterasi pertama pada Gephi, proses iterasi kedua pada Gephi, proses iterasi ketiga pada Gephi, dan proses kategori kluster akhir yang terbentuk. Visualisasi ini dibuat pada tampilan berbasis web dan memuat berpagai informasi yang dapat dipilih secara dilebih mudah. Visualisasi ini menghadirkan beberapa informasi seperti: informasi detail proses yang dilakukan, jumlah node dan edge, besar count dan weight, jumlah dan detail kluster, node yang saling terkoneksi, dan nilai degree yang dimiliki oleh setiap node. Berikut contoh antarmuka dari visualisasi graph clustering berbasis web yang ditunjukkan pada Gambar 10.
19
Gambar 10 Contoh visualisasi graph clustering proses iterasi 2 berbasis web
SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil melakukan social network listening pada kasus kebakaran hutan di Indonesia menggunakan graph clusering pada Gephi dengan menerapkan fungsi layouting ForceAtlas2 dan dua proses graf clustering untuk mendapatkan representasi graf yang lebih baik. Kedua proses tersebut yaitu modularity dan filtering yang dilakukan dengan tiga kali proses iterasi. Proses tersebut dapat menampilkan graf dengan perbedaan warna pada kluster yang terbentuk dan menyeleksi komponen graf dengan fungsi yang representatif. Graf membentuk representasi dengan jumlah node sebanyak 36 dengan presentase 0.68% dari jumlah node awal sebanyak 5280 dan jumlah edge sebanyak 553 dengan presentase 0.92% dari jumlah edge awal sebanyak 64969. Hasil akhir dari analisis yang dilakukan menghasilkan kluster dengan lima kategori hasil. Kategori tersebut yaitu: kluster isu lain terkait kasus kebakaran hutan di Indonesia, kluster tidak berhubungan kasus kebakaran hutan di Indonesia, kluster lokasi kasus kebakaran hutan di Indonesia, kluster slogan kasus kebakaran hutan di Indonesia, kluster terkait kasus kebakaran hutan di Indonesia. Hasil proses yang telah dilakukan kemudian divisualisasikan dalam bentuk visualisasi berbasis web. Saran
1
Saran yang diberikan berdasarkan penelitian ini adalah: Menerapkan metode dan sumber data penelitian yang berbeda untuk mendapatkan visualisasi serta representasi berbeda dengan hasil akhir yang lebih baik.
20
2 Melakukan analisis directed graph pada Gephi untuk menemukan pola hubungan komunikasi yang terjadi di masyarakat pada kasus kebakaran hutan di Indonesia. 3 Melakukan usability test secara mendalam untuk mendapatkan hasil yang lebih baik pada visualisasi antarmuka web.
DAFTAR PUSTAKA Allen, Booz. Social Media Listening and Analysis. Virginia (US): Booz & Company. Boyd DM, Ellison NB. 2007. Social Network sites: Definition, History, and Scholarship. Journal of Computer-Mediated Communication. 13(1): 210-230. [Digital Method Intiative]. Instagram Hashtag Explorer [internet]. [diunduh 2016 April 10]. Tersedia pada: https://tools.digitalmethods.net/netvizz/instagram/ success.php?code=fbfbf04ada4e4231aa77222a9320701c [Gephi] Gephi Features [internet]. [diunduh 2016 April 18] Tersedia pada: https://gephi.org/features/ Golfarelli M. 2009. Open Source BI Platform: a Function and Architectural Comparisson. Di dalam: Mohania, Mukesh K, Tjoa, A Min, editor, Data Warehousing and Knowladge Discovery. 11th International Converence DaWak; 2009 August-September 31-2; Linz, Austria. Bologna (IT): University of Bologna. Hlm 287-297. Heymann, Sebastien. 2011. New Tutorial: layouts in gephi [internet]. [diunduh 2016 Juni 18] Tersedia pada: https://gephi.org/users/tutorial-layouts/ Jacomy M, Bastian M, Heymann S. 2011. “ForceAtlas2, A Graph Layout Algorithm for Handy Network Visualization” in International AAAI Conference on Weblogs and Social Media. Association for the Advancement of Artificial Intelligence Maharani, Warih. 2014. Social Network Analysis (SNA) [internet]. [diunduh 2015 November 27]. Tersedia pada: https://publicanonyme.wordpress.com/ 2014/04/29/ social-network-analysis-sna. Sakaki T, Okazami M, Matsuo Y. 2010 Earthquake shakes Twitter useers: realtime event detection by social sensors. Di dalam: International World Wide Web Conference Committee (IW3C2). hlm: 851-860. Tsvetovat, M. & Kouznetsov, A. 2011. Sosial Network Analysis for Startup. Sebastopol (US): O’Reilly Media, Inc. Utama, Abraham. 2015. PNPB: Kebakaran Hutan 2015 Seluas 32 Wilayah DKI Jakarta [Internet]. [diunduh 2015 November 27]. Tersedia pada: http://www.cnnindonesia.com/nasional/20151030133801-20-88437/bnpbkebakaran-hutan-2015-seluas-32-wilayah-dki-jakarta. Yulianti, Kartika. 2008. Hand Out Mata Kuliah Teori Graf Jilid Satu. Bandung (ID): Universitas Pendidikan Indonesia
21
LAMPIRAN Lampiran 1 Review tampilan antarmuka Gephi 0.9.1
22
Lampiran 2 Kode program fungsi pagination proses iterasi menggunakan tools Instagram Hashtag Explorer
Lampiran 3 Kode program fungsi matriks proses iterasi menggunakan tools Instagram Hashtag Explorer
23
Lampiran 4 Hasil perbandingan fitur fungsi pada proses layouting menggunakan algoritme ForceAtlas2
Linlog Mode Tidak Aktif
LinLog Mode Aktif
Dissuade Hubs Tidak Aktif
Dissuade Hubs Aktif
Prevent Overlap – Tidak Aktif
Prevent Overlap - Aktif
24
Lampiran 4 Lanjutan
Grafity 1.0 (default)
Scaling 1.0
Edge Weight 1.0 (default)
Grafity 2.0
Scaling 2.0 (default)
Edge Weight 2.0
Grafity 3.0
Scaling 3.0
Edge Weight 3.0
Grafity 4.0
Scaling 4.0
Edge Weight 4.0
25
Lampiran 5 Datasheet node pada proses filtering iterasi 1 Node kebakaranhutan kabutasap indonesia asap melawanasap riau saveriau kebakaran kalimantan hutan saveindonesia kebakaranlahan fire savekalimantan repost pekanbaru kabut jokowi daruratasap forest forestfire masihmelawanasap kabutasapriau sumatera prayforriau smoke borneo savejambi
Count 1992 409 398 378 337 205 187 164 126 123 93 88 85 80 78 75 75 72 68 63 63 61 61 60 55 52 52 52
Node saveborneo jambi haze saveforest ispa latepost palangkaraya vsco masker savesumatera vscocam pendakiindonesia nature sumatra like4like instagram api instalike photooftheday likeforlike instagood saveearth mytripmyadventure dagelan adventure exploreindonesia instadaily lingkariindonesia
Count 50 49 47 44 44 41 41 40 40 38 38 36 34 32 31 31 29 28 26 25 24 24 23 23 22 22 20 16
26
Lampiran 6 Datasheet node pada proses filtering iterasi 2 Node kebakaranhutan kabutasap indonesia asap melawanasap riau saveriau kebakaran kalimantan hutan saveindonesia kebakaranlahan fire savekalimantan repost pekanbaru kabut jokowi daruratasap forest forestfire masihmelawanasap kabutasapriau sumatera
Count 1992 409 398 378 337 205 187 164 126 123 93 88 85 80 78 75 75 72 68 63 63 61 61 60
Node prayforriau smoke borneo savejambi saveborneo jambi haze saveforest ispa latepost palangkaraya masker savesumatera pendakiindonesia nature sumatra api saveearth mytripmyadventure dagelan adventure exploreindonesia lingkariindonesia
Count 55 52 52 52 50 49 47 44 44 41 41 40 38 36 34 32 29 24 23 23 22 22 16
27
Lampiran 7 Datasheet node pada proses filtering iterasi 3 Node kebakaranhutan kabutasap indonesia asap melawanasap riau saveriau kebakaran kalimantan hutan saveindonesia kebakaranlahan savekalimantan repost pekanbaru kabut jokowi daruratasap
Count 1992 409 398 378 337 205 187 164 126 123 93 88 80 78 75 75 72 68
Node masihmelawanasap kabutasapriau sumatera prayforriau borneo saveborneo jambi haze saveforest ispa latepost palangkaraya masker savesumatera sumatra api saveearth dagelan
Count 61 61 60 55 52 50 49 47 44 44 41 41 40 38 32 29 24 23
28
Lampiran 8 Kluster hasil analisis visualisasi data Kluster isu lain terkait kasus kebakaran hutan di Indonesia Node jokowi ispa masker
Count 72 44 40
Kluster tidak berhubungan kasus kebakaran hutan di Indonesia Node repost latepost dagelan
Count 78 41 23
Kluster lokasi kasus kebakaran hutan di Indonesia Node indonesia riau kalimantan pekanbaru sumatera borneo jambi palangkaraya sumatra
Count 398 205 126 75 60 52 49 41 32
Kluster slogan kasus kebakaran hutan di Indonesia Node melawanasap saveriau saveindonesia savekalimantan daruratasap masihmelawanasap prayforriau saveborneo saveforest savesumatera saveearth
Count 337 187 93 80 68 61 55 50 44 38 24
Kluster terkait kasus kebakaran hutan di Indonesia Node kabutasap asap kebakaran hutan kebakaranlahan kabut kabutasapriau
Count 409 378 164 123 88 75 61
haze api
47 29
29
RIWAYAT HIDUP Penulis dilahirkan di Jakarta tanggal 26 Agustus 1993 dari pasangan Bapak Suyono dan Ibu Giyarni. Penulis merupakan anak pertama dari dua bersaudara. Pada tahun 2008, penulis lulus dari SMP Negeri 1 Tambun Selatan. Pada tahun 2011, penulis lulus dari SMA Negeri 1 Tambun Selatan dan lolos seleksi masuk perguruan tinggi Institut Pertanian Bogor (IPB) melalui jalur SNMPTN Undangan IPB dan diterima di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama mengikuti perkuliahan, penulis aktif dalam kegiatan organisasi internal dan eksternal kampus. Mengikuti UKM Center of Entepreneurship Development for Youth (CENTURY) IPB sebagai Information and Technology Staff pada tahun 2012, Information and Technology Manager pada tahun 2013, Dewan Komisaris UKM pada tahun 2014, dan Pimpinan Dewan Komisaris UKM pada tahun 2015. Mengikuti organisasi Forum For Indonesia (FFI) Chapter Bogor sebagai Agricalture and Environment Staff pada tahun 2013, dan Chairman of FFI Chapter Bogor pada tahun 2014. Selama perkuliahan penulis melaksanakan Praktek Kerja Lapang (PKL) di Kementerian Hukum dan Hak Asasi Manusia Republik Indonesia pada Direktorat Jenderal Sistem dan Teknologi Informasi Keimigrrasian Direktorat Jenderal Imigrasi pada tahun 2015. Mengikuti magang sebagai Management Team di Yayasan Greenna pada tahun 2016. Penulis juga aktif dalam kegiatan kepanitiaan yang dilaksanakan oleh organisasi internal kampus dan menjadi volunteer pada acara organisasi eksternal kampus.
