Analisis Dan Implementasi Community Detection Menggunakan Algoritma Dbscan Pada Twitter

Abstract

Community detection atau clustering merupakan proses partisi data ke dalam kelompok-kelompok. Data yang berada dalam satu kelompok memiliki kemiripan (similarity) karakteristik antar satu sama lainnya dan berbeda dengan kelompok lain, seperti halnya kemiripan antar individu pada social network. Pada penelitian ini, community detection dilakukan pada social network Twitter berdasarkan kemiripan interaksi (follows, mentions, reply) antar pengguna dengan menggunakan algoritma DBSCAN dan perhitungan kualitas cluster dengan menggunakan modularity. Algoritma DBSCAN memiliki dua parameter penting, yakni epsilon dan minPts yang bernilai random. Dari hasil penelitian yang dilakukan, hasil terbaik didapat dari data ke-10 dengan membentuk 4 cluster yang menghasilkan nilai modularity 0,61492 dari nilai epsilon 0,3 dan minPts 4. Hal tersebut dikarenakan jumlah cluster yang terbentuk dari adanya keterkaitan nilai epsilon dan minPts dengan nilai kemiripan (similarity) dan nilai modularity disebabkan adanya kepadatan dari relasi dan bobot similarity yang besar. Sehingga untuk mendapatkan hasil cluster yang baik diperlukan penentuan nilai epsilon dan minPts yang tepat.