Social Media Listening pada Instagram untuk Kasus Kebakaran Hutan di Indonesia Menggunakan Graph Clustering

Abstract

Social media listening merupakan salah satu metode untuk melakukan analisis media sosial berbasis graf untuk mengidentifikasi dan menilai suatu isu yang sedang banyak dibicarakan di media sosial. Penelitian ini melakukan social media listening terkait isu kebakaran hutan dari data Instagram untuk melihat lebih dalam topik pembicaraan warganet terkait isu kebakaran hutan serta mengidentifikasi isu-isu terkait lainnya yang muncul. Pada penelitian ini dilakukan graph clustering pada data Instagram dengan perangkat Gephi sehingga menghasilkan suatu graf dengan 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 labeling hasil graph clustering menghasilkan lima kelompok hashtag yaitu kategori isu lain yang muncul terkait kasus kebakaran hutan, kategori isu yang tidak berhubungan dengan kasus kebakaran hutan, kategori hashtag terkait lokasi kasus kebakaran hutan, kategori hashtag tentang slogan yang muncul pada kasus kebakaran hutan, dan kategori hashtag yang menggambarkan isu kebakaran hutan di Indonesia. Representasi graf dan hasil labelisasi kemudian divisualisasikan dalam aplikasi berbasis web untuk memudahkan identifikasi dan penilaian topik (hashtag) terkait isu kebakaran hutan di Indonesia. Abstract Social media 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. Using social media listening, we can summarize and get pattern from certain cases, for example in this study using forest fire case in Indonesia. This research used hashtags from Instagram as the data source and conducted an analysis to understand the social interaction inside of forest fire case. 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.