Analisis Dan Implementasi Algoritma Dynamicnet Pada Deteksi Evolusi Komunitas Di Media Sosial Twitter

Abstract

Abstrak
Seiring berkembangnya jaringan sosial, banyak media-media di internet yang menyediakan sarana untuk berhubungan dengan orang lain, salah satunya adalah Twitter. Twitter memungkinkan terbentuknya sebuah komunitas. Komunitas berkembang setiap saat, seiring dengan berkembangnya interaksi antar pengguna di Twitter, oleh karena itu diperlukan alat untuk mendeteksi evolusi dari komunitas tersebut. DynamicNet merupakan algoritma untuk mendeteksi evolusi komunitas yang mendefinisikan evolusi komunitas dengan simpel namun mencakup banyak bidang, yang mana sebelum mendeteksi evolusi dilakukan deteksi komunitas menggunakan algoritma Louvain. Pada jurnal ini dilakukan percobaan untuk mengetahui parameter apa sajakah yang mempengaruhi hasil dari algoritma DynamicNet, mulai dari jumlah data dan threshold. Hasil yang didapat dari penelitian ini adalah algoritma DynamicNet dapat digunakan untuk mendeteksi evolusi komunitas di media sosial Twitter. Didapatkan juga bentuk kerateristik data yang ideal agar algoritma DynamicNet dapat berjalan dengan optimal, yaitu jumlah data yang banyak dengan kepadatan hubungan yang tinggi, komunitas dengan kualitas (Modularity) yang tinggi dan nilai threshold yang berada di rentan nilai Normalized Mutual Information (NMI). Pada penelitian ini NMI tertinggi dicapai pada 1000 data simpul yang bernilai 0.16.
Kata kunci: dynamic network, dynamicnet, twitter, community evolution, nmi
Abstract
As the development of social networks, many media on the internet that provides the means to connect with others, one of which is Twitter. Twitter wants to form a community. Communities are evolving all the time, along with the growing interaction between users on Twitter, therefore a tool for the evolutionary part of the community is needed. DynamicNet is an algorithm for. Which uses Louvain's algorithm. In this journal an experiment was conducted to find out what parameters are the results of the DynamicNet algorithm, ranging from the amount of data and threshold. The result of this research is DynamicNet algorithm can be used for. The ideal data rectangle shape for DynamicNet algorithm can be run optimally, ie high amount of data with high link density, high quality (Modularity) communities and Dynamic Mutual Dynamic Information (NMI) threatened threshold values. In tis research, the highest NMI value archive with 1500 vertex data which has value 0.0157.
Keyword: dynamic network, dynamicnet, twitter, community evolution, nmi