Analisis dan Implementasi Algoritma CNM-Centrality untuk Deteksi Komunitas pada Dataset Facebook

FARAH RAHMADIANI

Informasi Umum

Kode

18.04.1415

Klasifikasi

005.1 - programming

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Algorithms Programming

Dilihat

312 kali

Informasi Lainnya

Abstraksi

Deteksi komunitas menjadi salah satu task dari social network analysis yang banyak dibahas. Hal ini disebabkan dengan pendeteksian komunitas tersebut dapat digunakan untuk berbagai hal seperti skema pemasaran produk, mendeteksi isu di masyarakat, dan sebagainya. Masalah dalam mendeteksi komunitas yaitu bagaimana cara mengelompokkan simpul yang baik untuk mengidentifikasi suatu kelompok. Salah satu algoritma untuk mendeteksi komunitas adalah CNM-Centrality. CNM-Centrality merupakan algoritma Clauset-Newman-Moore yang dikombinasi dengan algoritma Pagerank. Algoritma Pagerank digunakan untuk menentukan simpul terpenting sedangkan algoritma CNM digunakan untuk mendeteksi komunitas. Algoritma ini dianggap algoritma dengan kecepatan running time yang baik dan nilai modularity yang baik pada pengujian sebelumnya. Namun, pada pengujian sebelumnya hanya menguji beberapa data saja seperti data jazz network dengan 198 simpul dengan relasi sebanyak 2742, belum diketahui bagaimana performansi algoritma CNM-Centrality jika menggunakan dalam jumlah yang besar. Algoritma CNM-Centrality mempunyai parameter yaitu damping factor. Damping factor merupakan parameter yang digunakan untuk menghitung nilai rank dan bernilai antara 0 sampai 1. Pada pengujian ini akan menggunakan dataset Facebook dengan tiga jenis damping factor yang berbeda untuk mengetahui pengaruh damping factor terhadap nilai modularity dan juga keandalan performansi algoritma CNM-Centrality untuk dataset Facebook. Penelitian ini bermanfaat untuk menilai apakah algoritma CNM-Centrality mempunyai nilai modularity dan running time yang baik dengan dataset yang berbeda dan damping factor yang berbeda. Hasil dari pengujian ini adalah nilai damping factor 0,15 memperoleh nilai rank tertinggi daripada dua damping factor yang diujikan. Namun, damping factor 0,85 memperoleh running time yang baik untuk menentukan simpul terpenting dan mendeteksi komunitas dibandingkan dua damping factor yang diuji. Selain itu, modularity terbaik yang dihasilkan pada pengujian ini adalah 0,8318 yang diperoleh oleh damping factor 0,85.