ANALISIS PERBINCANGAN DALAM GRUP WHATSAPP DENGAN K-MEANS CLUSTERING

Maria Tri Elsa
Sunneng Sandino Berutu
Febe Maedjaja


DOI: https://doi.org/10.29100/jipi.v9i4.5554

Abstract


Whatsapp merupakan sebuah aplikasi yang mempermudah pengguna untuk mengirim pesan teks, foto, video, melakukan panggilan suara, dan panggilan video secara gratis dengan koneksi internet. “Grup Whatsapp Jual Beli Area UKRIM” memiliki sekitar 26.000 arsip pesan, yang membuktikan tingginya aktivitas dan interaksi anggota dalam transaksi jual beli. Anggota grup akan terbantu membuat strategi promosi barang jika mereka dapat memanfaatkan informasi mengenai kata dan barang yag paling sering muncul dalam chat group. Untuk mendapatkan informasi mengenai kata dan barang yang paling sering muncul dalam chat group diperlukan text clustering. Penelitian ini menggunakan Metode K-Means dalam melakukan text clustering untuk memperoleh kata-kata yang sering muncul tersebut. Setelah melalui prosedur pra-pemrosesan teks dan penerapan Metode Elbow, jumlah data diperkecil menjadi 4.732 data dan ditentukan 10 cluster yang optimal dalam “Grup Whatsapp Jual Beli Area UKRIM”. Hasil penerapan K-Means memperlihatkan kata yang paling sering muncul dalam cluster 0 adalah kata “jual” , dalam cluster 1 kata “info”, dalam cluster 2  kata “beli”, dalam cluster 3 kata “japri”, dalam cluster 4 kata “gas”, dalam cluster 5 kata “motor”, dalam cluster 6 kata “info”,”kost”, dalam cluster 7  kata  “hp”, dalam cluster  8  kata “kucing”,  dan dalam cluster 9  kata “rak”. Secara menyeluruh kata yang paling banyak muncul adalah kata “info” dengan jumlah 910 dan kata yang paling sedikit muncul adalah kata “iphone” dan “hewan”. Barang dagangan yang sering muncul adalah “meja”, “kipas”, “lemari”, “kasur”, dan “laptop

Keywords


Text Clustering, K-Means, Whatsapp, Metode Elbow

Full Text:

PDF

Article Metrics :

References


M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 20–24, 2019, doi: 10.30591/jpit.v4i1.1253.

E. Fernando Ade Pratama, K. Khairil, and J. Jumadi, “Implementasi Metode K-Means Clustering Pada Segmentasi Citra Digital,” J. Media Infotama, vol. 18, no. 2, pp. 291–301, 2022.

A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” J. Tekno Kompak, vol. 15, no. 2, p. 25, 2021, doi: 10.33365/jtk.v15i2.1162.

S. N. Br Sembiring, H. Winata, and S. Kusnasari, “Pengelompokan Prestasi Siswa Menggunakan Algoritma K-Means,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 1, no. 1, p. 31, 2022, doi: 10.53513/jursi.v1i1.4784.

M. W. Indriyanto, D. Hariyadi, and M. Habibi, “Investigasi Dan Analisis Forensik Digital Pada Percakapan Grup Whatsapp Menggunakan Nist Sp 800-86 Dan Support Vector Machine Digital Forensics Investigation and Analysis on Whatsapp Group Chats Using Nist Sp 800-86 and Support Vector Machine,” Cyber Secur. dan Forensik Digit., vol. 3, no. 2, pp. 34–38, 2020.

M. Cendana and S. D. H. Permana, “Pra-Pemrosesan Teks Pada Grup Whatsapp Untuk Pemodelan Topik,” Junal Mantik Penusa, vol. 3, no. 3, pp. 107–116, 2019.

D. Musfiroh, U. Khaira, P. E. P. Utomo, and T. Suratno, “Analisis Sentimen terhadap Perkuliahan Daring di Indonesia dari Twitter Dataset Menggunakan InSet Lexicon,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 24–33, 2021, doi: 10.57152/malcom.v1i1.20.

M. Syarifuddinn, “Analisis Sentimen Opini Publik Terhadap Efek Psbb Pada Twitter Dengan Algoritma Decision Tree,Knn, Dan Naïve Bayes,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 87–94, 2020, doi: 10.33480/inti.v15i1.1433.

S. W. Ritonga, . Y., M. Fikry, and E. P. Cynthia, “Klasifikasi Sentimen Masyarakat di Twitter terhadap Ganjar Pranowo dengan Metode Naïve Bayes Classifier,” Build. Informatics, Technol. Sci., vol. 5, no. 1, 2023, doi: 10.47065/bits.v5i1.3535.

N. L. P. C. Savitri, R. A. Rahman, R. Venyutzky, and N. A. Rakhmawati, “Analisis Klasifikasi Sentimen Terhadap Sekolah Daring pada Twitter Menggunakan Supervised Machine Learning,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 1, pp. 47–58, 2021, doi: 10.28932/jutisi.v7i1.3216.

R. Slamet, W. Gata, A. Novtariany, K. Hilyati, and F. A. Jariyah, “Analisis Sentimen Twitter Terhadap Penggunaan Artis Korea Selatan Sebagai Brand Ambassador Produk Kecantikan Lokal,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 5, no. 1, pp. 145–153, 2022, doi: 10.31539/intecoms.v5i1.3933.

R. Rasenda, H. Lubis, and R. Ridwan, “Implementasi K-NN Dalam Analisa Sentimen Riba Pada Bunga Bank Berdasarkan Data Twitter,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 369, 2020, doi: 10.30865/mib.v4i2.2051.

A. Aditya, I. Jovian, and B. N. Sari, “Implementasi K-Means Clustering Ujian Nasional Sekolah Menengah Pertama di Indonesia Tahun 2018 / 2019,” vol. 4, pp. 51–58, 2020, doi: 10.30865/mib.v4i1.1784.

D. Adhe, C. Rachman, R. Goejantoro, F. Deny, and T. Amijaya, “Implementasi Text Mining Pengelompokkan Dokumen Skripsi Menggunakan Metode K-Means Clustering Implementation Of Text Mining For Grouping Thesis Documents Using K-Means Clustering,” J. EKSPONENSIAL, vol. 11, no. 2, pp. 167–174, 2020.

Miquel Yosafat and J. Jatmika, “Implementasi Text Clustering Terkait Pilpres 2024 Menggunakan Metode K-Means,” J. Sains Dan Komput., vol. 8, no. 01, pp. 6–12, 2024, doi: 10.61179/jurnalinfact.v8i01.496.