Penerapan Text Mining Untuk Advertising Pada Data Tweets Zalora Indonesia Dengan Menggunakan Metode K-Means Clustering
Abstract
Zalora Indonesia is one of the online retail business people who use Twitter social media as a means to do advertising. The purpose of this study is to determine the type of tweets content that is widely liked and retweeted by Zalora Indonesia followers to advertise to Twitter users. The collection of tweets data is done by integrating the Twitter API and Python programming language. The data analysis method is carried out by utilizing 2 tools, namely the Python programming language for text preprocessing and Rapidminer for data processing using the K-Means algorithm. The results of the application of the K-Means algorithm are 4 clusters, including Zalora cashback (cluster 1), skincare and woman style (cluster 2), payday and shopping time (cluster 3), as well as holiday promos (cluster 4). Based on the calculation of the average number of likes and retweets in each cluster, the type of content with the most likes and retweets was obtained, namely regarding holiday promos (cluster 4). So that business people can take advantage of the like and retweet features as a means for advertising to Zalora Indonesia users.
Kata kunci: Zalora Indonesia; Text Mining; Clustering; K-Means; Twitter
Abstrak
Zalora Indonesia merupakan salah satu pelaku bisnis retail online yang menggunakan media sosial Twitter sebagai sarana untuk melakukan advertising. Tujuan dari penelitian ini yaitu untuk mengetahui jenis konten tweets yang banyak dilakukan likes dan retweet oleh followers Zalora Indonesia untuk melakukan advertising kepada pengguna Twitter. Pengumpulan data tweets dilakukan dengan mengintegrasikan Twitter API dan bahasa pemrograman Python. Metode analisis data dilakukan dengan memanfaatkan 2 tools yaitu bahasa pemrograman Python untuk proses text preprocessing serta Rapidminer untuk pengolahan data menggunakan algoritma K-Means. Hasil dari penerapan algoritma K-Means terdapat 4 klaster, diantaranya mengenai cashback zalora (cluster 1), skincare dan woman style (cluster 2), payday dan waktu belanja (cluster 3), serta promo hari raya (cluster 4). Berdasarkan perhitungan jumlah rata-rata like dan retweet pada tiap klaster, diperoleh jenis konten dengan like dan retweet terbanyak yaitu mengenai promo hari raya (cluster 4). Sehingga pelaku bisnis dapat memanfaatkan fitur like dan retweet sebagai sarana untuk advertising kepada pengguna Zalora Indonesia.
Kata kunci: Zalora Indonesia; Text Mining; Clustering; K-Means; Twitter
References
S. I. Nurhafida and F. Sembiring, “Analisis Text Clustering Masyarakat di Twiter Mengenai Mcdonald’sxbts Menggunakan Orange Data Mining,” Semin. Nas. Sist. Inf. dan Manaj. Inform., vol. 1, no. 1, pp. 28–35, 2021.
J. Clement, “Negara dengan pengguna Twitter terbanyak 2022 | Statistik,” Statista, 2022. https://www.statista.com/statistics/242606/number-of-active-twitter-users-in-selected-countries/
S. Dira Febrina Ritonga and S. Wibowo, “Pengaruh Iklan Pada Media Sosial Twitter Dan Televisi Terhadap Keputusan Pembelian Di Mataharimall.com Tahun 2016,” e-Proceeding of Applied Science, vol. 2, no. 2, pp. 422–429, 2016.
A. N. Yusril, I. Larasati, and Q. Aini, “Implementasi Text Mining Untuk Advertising Dengan Menggunakan Metode K-Means Clustering Pada Data Tweets Gojek Indonesia,” Sistemasi, vol. 9, no. 3, p. 586, 2020, doi: 10.32520/stmsi.v9i3.924.
S. M. Fani, R. Santoso, and S. Suparti, “Penerapan Text Mining Untuk Melakukan Clustering Data Tweet Akun Blibli Pada Media Sosial Twitter Menggunakan K-Means Clustering,” J. Gaussian, vol. 10, no. 4, pp. 583–593, 2021, doi: 10.14710/ j.gauss.v10i4.30409.
H. Irsyad and M. R. Pribadi, “Implementasi Text Mining Dalam Pengelompokan Data Tweet Pertanian Indonesia Dengan K-Means,” KURAWAL J. Teknol. Inf. dan Ind., vol. 3, no. 2, pp. 164–172, 2020, [Online]. Available: https://t.co/FXtzMcbdHp
N. W. Utami and I. G. J. Eka Putra, “Text Minig Clustering Untuk Pengelompokan Topik Dokumen Penelitian Menggunakan Algoritma K-Means Dengan Cosine Similarity,” Jurnal Informatika Teknologi dan Sains, vol. 4, no. 3, pp. 255–259, Aug. 2022, doi: 10.51401/jinteks.v4i3.1907.
D. S. Indraloka and B. Santosa, “Penerapan Text Mining untuk Melakukan Clustering Data Tweet Shopee Indonesia,” Jurnal Sains dan Seni ITS, vol. 6, no. 2, Sep. 2017, doi: 10.12962/j23373520.v6i2.24419
P. Ferdias, DE Nurvazly, and SL Chasanah, “Analisa Text Mining Menggunakan Metode Clustering Data Tweet Tokopedia Indonesia,” Nov. 2020
J. Rejito, A. Atthariq, and A. S. Abdullah, “Application of text mining employing k-means algorithms for clustering tweets of Tokopedia,” Journal of Physics: Conference Series, vol. 1722, no. 1, p. 012019, Jan. 2021, doi: 10.1088/1742-6596/1722/1/012019.
R. Ulfah, “Penerapan K-Means Cluster dalam Memilih Strategi Promosi Penerimaan Mahasiswa Baru di Masa Pandemi Covid-19 di Fakultas Ilmu Keperawatan Universitas Muhammadiyah Kalimantan Timur,” Fakultas Ilmu Keperawatan Universitas Muhammadiyah Kalimantan Timur, 2022.
A. Tiar Arsyad, H. Nurlatifah, and Sunarmo, “Penerapan k-means clustering dalam menentukan Strategi promosi Universitas Al Azhar Indonesia,” Repositori Digital Universitas Al Azhar Indonesia, 2022.
T. Hartati, O. Nurdiawan, and E. Wiyandi, “Analisis Dan Penerapan Algoritma K-Means Dalam Strategi Promosi Kampus Akademi Maritim Suaka Bahari,” Jurnal Sains Teknologi Transportasi Maritim, vol. 3, no. 1, pp. 1–7, May 2021, doi: 10.51578/ j.sitektransmar.v3i1.30.
I. Mahmudi, AD Indriyanti, and I. Lazulfa, “Penerapan Algoritma K-Means Clustering Sebagai Strategi Promosi Penerimaan Mahasiswa Baru Pada Universitas Hasyim Asy'ari Jombang,” Inovate: Jurnal Ilmiah Inovasi Teknologi Informasi, vol . 4, no. 2, pp. 20–27, April 2020.
S. Ayu Rosiva Srg, “Penerapan K-Means Clustering Untuk Strategi Promosi Penerimaan Mahasiswa,” JUTISAL Jurnal Teknik Informatika Universal, vol. 1, no. 1, pp. 1–11, 2021.
How To Cite This :
Refbacks
- There are currently no refbacks.
