Aplikasi Rekomendasi Buzzer untuk Pemasaran Produk dengan Prediksi Profil Pengguna Twitter

Aplikasi Rekomendasi Buzzer untuk Pemasaran Produk dengan Prediksi Profil Pengguna Twitter Elisafina Siswanto

Masayu Leylia Khodra

Sekolah Teknik Elektro dan Informatika

Sekolah Teknik Elektro dan Informatika

[email protected]

[email protected]

ABSTRAK Perkembangan situs jejaring sosial secara tidak langsung berdampak pada cara pemasaran sebuah produk, yaitu dengan menggunakan jasa Buzzer. Permasalahan yang muncul adalah bagaimana menentukan Buzzer yang cocok untuk sebuah iklan produk. Makalah ini memanfaatkan model prediksi profil pengguna twitter untuk merekomendasikan buzzer yang cocok untuk sebuah iklan. Pemilik iklan akan menentukan sasaran pasar iklan tersebut, prioritas profil pengguna yang menjadi sasaran pasar, dan daftar kandidat buzzer yang dianggap cocok. Sistem akan memberikan rekomendasi berupa ranking dari setiap buzzer dengan menghitung kecocokan sasaran pasar dan profil para pengikut buzzer. Sebagai pengujian, dilakukan pencocokan hasil rekomendasi sistem dengan interaksi sebenarnya untuk 6 iklan. Hasil pengujian menunjukkan bahwa nilai NDGC rata-rata untuk 6 iklan yang diuji sangat tinggi yaitu sebesar 0.90. Hasil rekomendasi Buzzer yang diberikan sistem sesuai dengan total interaksi pengguna pada iklan tersebut. Pemilihan parameter pada profil statis dan dinamis juga sudah dapat merepresentasikan sasaran pasar sebuah iklan.

Kata Kunci buzzer, sasaran pasar, prediksi profil pengguna, NDCG.

1. PENDAHULUAN Semakin berkembang pesatnya pengguna jejaring sosial turut mempengaruhi cara perusahaan-perusahaan memasarkan produknya. Saat ini semakin banyak perusahaan memiliki akun jejaring sosial yang digunakan untuk berbagai tujuan, misalnya memasarkan produk dan berinteraksi dengan konsumen. Semakin terkenal akun sebuah perusahaan, maka setiap pemasaran dalam bentuk status akan banyak dilihat oleh calon konsumen. Dalam konteks jejaring sosial, akun yang terkenal didefinisikan sebagai akun yang banyak di-“like” (pada situs jejaring sosial Facebook) atau memiliki jumlah pengikut yang banyak (pada situs jejaring sosial Twitter). Perusahaan sulit membuat akunnya menjadi terkenal karena akun perusahaan pada umumnya identik dengan iklan. Banyak perusahaan yang menggunakan teknik pemasaran viral untuk menyiasati hal tersebut. Pemasaran viral didefinisikan sebagai penyampaian pesan pemasaran dari mulut ke mulut secara elektronik yang dilakukan secara besar-besaran melalui jejaring sosial (Kaplan, 2011). Penelitian pemasaran dari mulut ke mulut secara tradisional membuktikan bahwa cara tersebut tujuh kali lebih efisien dibandingkan pemasaran melalui selebaran, iklan pada media masa, dan lain-lain (Katz, 1970). Salah satu cara yang dapat dilakukan untuk melakukan pemasaran viral adalah dengan menggunakan jasa “Buzzer”. Pada jejaring sosial Twitter, Buzzer dapat diartikan sebagai akun yang memiliki banyak pengikut sehingga tweet dari akun tersebut dapat dilihat oleh banyak orang. Buzzer dapat berupa

20

akun milik tokoh masyarakat, selebriti, maupun akun-akun organisasi. Produk yang dipasarkan melalui Buzzer, biasanya memiliki banyak tanggapan dari pengikutnya. Persoalan yang muncul pada pemasaran viral adalah bagaimana perusahaan menentukan Buzzer yang tepat untuk memasarkan sebuah produk sesuai dengan dana yang dimiliki perusahaan. Tujuan pemasaran produk adalah agar sebanyak mungkin calon konsumen yang sesuai dengan segmentasi pasar dari produk tersebut melihat iklan dan kemudian membeli produk tersebut. Permasalahan yang muncul adalah semakin banyak pengikut yang dimiliki oleh Buzzer, maka semakin mahal pula tarif jasa Buzzer tersebut. Hal ini menyebabkan perusahaan kecil atau menengah yang memiliki keterbatasan dana harus mencari Buzzer yang memiliki pengikut yang sesuai dengan segmentasi pasar dari produk yang diiklankan dan tarif yang sesuai dengan dana yang ada. Namun, rekomendasi buzzer berdasarkan perhitungan kecocokan jumlah pengikutnya tidak dapat langsung dilakukan. Informasi profil pengguna yang ada sangat terbatas, yaitu nama, lokasi, situs, dan deskripsi singkat (bio), sehingga belum dapat digunakan untuk melakukan segmentasi pasar. Salah satu usulan solusi dalam makalah ini adalah profil pengguna dari masing-masing pengikut yang dimiliki oleh Buzzer untuk menentukan apakah pengikut tersebut sesuai dengan segmentasi pasar dari sebuah produk, dan Buzzer yang dipilih adalah akun yang memiliki jumlah pengikut yang cocok dengan segmentasi pasar yang terbesar, sehingga diharapkan respons terhadap iklan tersebut akan semakin tinggi. Pada makalah ini, profil pengguna yang diprediksi dibedakan menjadi dua, yaitu profil statis dan profil dinamis. Profil statis merupakan profil pengguna yang sangat jarang atau tidak pernah berubah. Profil statis ini terdiri dari jenis kelamin, status pernikahan, pekerjaan, umur dan lokasi. Profil dinamis merupakan profil pengguna yang dapat berubah-ubah atau bertambah sesuai dengan waktu. Profil ini berisi topik-topik yang diminati oleh pengguna tersebut. Setelah mendapatkan prediksi profil pengguna maka selanjutnya dilakukan proses pencocokan profil tersebut dengan segmentasi pasar dari produk yang diiklankan. Buzzer yang memiliki nilai kecocokan terbesar akan direkomendasikan kepada pemilik iklan sesuai dengan segmentasi pasar dari iklan tersebut dan prioritas yang dipilih pemilik iklan. Makalah ini akan fokus pada pembangunan aplikasi rekomendasi buzzer dengan memanfaatkan model prediksi yang telah dihasilkan dari penelitian sebelumnya (Siswanto & Khodra, 2013; Siswanto dkk, 2014). Proses pembangunan model diperlihatkan sebagai bagian dalam pembangunan aplikasi, tetapi pelaksanaan eksperimen tidak dijelaskan dalam makalah ini. Bagian selanjutnya akan membahas kajian terkait mengenai segmentasi pasar, dan prediksi profil. Bagian 3 akan membahas

Elisafina Siswanto, Masayu Leylia Khodra

tentang pembangunan aplikasi pemilihan buzzer, dan bagian 4 akan membahas hasil pengujian aplikasi dan analisisnya dengan melihat ketepatan hasil rekomendasi buzzer dengan beberapa kasus yang dikumpulkan. Pada bagian 5, akan diberikan kesimpulan dan arah penelitian selanjutnya.

2. KAJIAN TERKAIT Segmentasi pasar merupakan proses membagi pelanggan atau pelanggan potensial yang ada pada pasar ke dalam beberapa grup atau segmen yang berbeda, di mana dalam grup tersebut pelanggan memiliki minat atau kebutuhan yang mirip (McDonald & Dunbar, 2004). Tujuan dilakukan segmentasi pasar ini adalah agar pemasaran produk dapat lebih terfokus hanya kepada segmen yang memiliki minat atau kebutuhan terhadap sebuah produk, sehingga biaya pemasaran dapat ditekan. Menurut Fripp (2014), segmentasi pasar dapat dibagi berdasarkan kategori: 1) geografis, yaitu dengan mengelompokkan pelanggan berdasarkan lokasi tempat tinggal pelanggan tersebut; 2) demografis, yaitu dengan mengelompokkan pelanggan berdasarkan karakteristik yang dapat diidentifikasi seperti usia, jenis kelamin, dan lain-lain; 3) psikografis, yaitu pengelompokan berdasarkan gaya hidup, minat, dan opini pelanggan tersebut; 4) benefits sought, yaitu pengelompokan berdasarkan apa yang dicari seorang pelanggan ketika membeli sebuah barang, misalkan untuk kenyamanan, status, nilai, dan lain-lain; 5) perilaku, yaitu pengelompokan hubungan pelanggan dengan produk atau perusahaan, misalkan berapa banyak produk yang dibeli atau tingkat loyalitas pelanggan terhadap perusahaan tertentu. Berdasarkan kategori tersebut, segmentasi berdasarkan geografis, demografis, dan psikografis dapat dilakukan tanpa mengetahui produk yang dipasarkan terlebih dahulu, sebaliknya segmentasi berdasarkan benefits sought dan perilaku baru dapat dilakukan jika produk atau perusahaan telah diketahui terlebih dahulu. Berbagai penelitian untuk memprediksi profil pengguna Twitter telah banyak dilakukan (Rao, 2010; Burger, 2011). Pada penelitian yang dilakukan oleh Rao, diprediksi jenis kelamin,

usia, lokasi, dan orientasi politik (democrat atau republican) dari data tweet yang berbahasa Inggris dengan menggunakan metode pembelajaran Support Vector Machines (SVM). Untuk tweet berbahasa Indonesia, penelitian sebelumnya hanya memprediksi jenis kelamin (Wibisono & Faruqi, 2013). Siswanto dkk (2014) memanfaatkan pembelajaran mesin untuk membangun model prediksi jenis kelamin, status pernikahan, pekerjaan, umur, dan minat pengguna berdasarkan konten tweet berbahasa Indonesia dari pengguna tersebut. Model ini digunakan sebagai model prediksi dalam makalah ini. Untuk aplikasi rekomendasi buzzer berdasarkan hasil prediksi profil pengguna twitter yang menjadi pengikut buzzer tersebut, belum ada aplikasi yang ditemui sampai dengan saat ini.

3. PEMBANGUNAN APLIKASI PEMILIHAN BUZZER Untuk dapat memberikan rekomendasi buzzer, sistem membutuhkan tiga jenis input yaitu sasaran pasar, prioritas profil, dan daftar buzzer. Hal ini ditunjukkan oleh Gambar 1. Sasaran pasar dari produk yang akan diiklankan merupakan spesifikasi profil target pengguna produk yang terdiri dari: a.

Sasaran jenis kelamin, dengan pilihan yang tersedia adalah laki-laki, perempuan, atau any.

b.

Sasaran umur, dengan pilihan yang tersedia adalah di atas 20 tahun, 20 sampai 30 tahun, di atas 30 tahun, atau any.

c.

Sasaran status pernikahan, dengan pilihan yang tersedia adalah belum menikah, sudah menikah, atau any.

d.

Sasaran pekerjaan pelanggan, dengan pilihan yang tersedia adalah pelajar, pekerja, tidak bekerja, atau any.

e.

Sasaran lokasi, dengan pilihan yang tersedia adalah nama satu atau lebih kota di Indonesia, atau any.

Gambar 1. Antarmuka utama rekomendasi buzzer

Jurnal Cybermatika | Vol. 2 No. 1 | Juni 2014 | Artikel 4

21

f.

Topik iklan, dengan pilihan yang tersedia adalah Bisnis dan Keuangan, Olahraga, Teknologi, Hiburan (musik, film, dan game), Kesehatan dan Kecantikan, Travelling, Otomotif, Keluarga, Flora dan Fauna, Politik dan Hukum, dan Unknown.

Nilai "any" pada sasaran pasar diartikan bahwa barang tersebut dapat digunakan oleh semua kelas dalam satu profil. Sebagai contoh jika barang yang akan dipasarkan adalah makanan, maka sasaran jenis kelamin dapat diisi "any", artinya baik laki-laki maupun perempuan membutuhkan barang tersebut. Pemilik iklan selanjutnya menentukan prioritas dari setiap profil, di mana prioritas terkecil menandakan profil yang dianggap paling penting. Pada Gambar 1, ditunjukkan bahwa urutan prioritas dari yang paling penting adalah gender, minat, lokasi, umur, dan pekerjaan serta status pernikahan. Pemilik iklan juga diminta memberikan kandidat buzzer dengan memilih dari daftar buzzer yang tersedia. Jika tidak ada preferensi, pemilik iklan dapat memilih semua buzzer.

Tabel 1. Setting Pembangunan Model Terbaik Profil Jenis Kelamin

Pekerjaan

Status Pernikahan

Umur

Minat

Setting Prediksi dengan Model Terbaik Data: bio+tweet Praproses: RT, Duplicate, Stopword removal Fitur: unigram Seleksi fitur: min freq 7 Algoritma : SVM Data: tweet Praproses: RT, Duplicate, Slang Fitur: unigram Seleksi fitur: min freq 7 Algoritma : SVM Data: bio Praproses: Duplicate Fitur: unigram Seleksi fitur: Chi Square 500 Algoritma : SVM Data: bio+tweet Praproses: casefolding, hapus tanda baca Fitur: unigram Seleksi fitur: min freq 7 Algoritma : Naive Bayes Data: tweet Praproses: slang Fitur: bigram Seleksi fitur: min freq 7 Algoritma : SVM

Untuk setiap follower, dibuat satu teks yang akan menjadi masukan ke sistem prediksi profil. Teks ini dibuat dengan menggabungkan semua tweet dari follower tersebut. Untuk beberapa profil, informasi bio juga digabungkan ke dalam teks tersebut. Kemudia, untuk setiap profil, dilakukan praproses, ekstraksi fitur, seleksi fitur, dan klasifikasi sesuai dengan setting pembangunan model terbaik pada Tabel 1. Hasil dari proses kedua ini disebut buzzer model, berupa satu file teks untuk setiap buzzer, contohnya Buzzer1.txt pada Gambar 3.

Gambar 2. Flowchart rekomendasi buzzer Setelah ketiga jenis input (sasaran pasar, prioritas, dan daftar buzzer) tersedia, terdapat empat proses utama dalam aplikasi rekomendasi buzzer ini (lihat Gambar 2), yaitu a) pengambilan secara acak 500 followers dari setiap buzzer; b) prediksi profil setiap follower; c) kalkulasi kecocokan; d) pengurutan berdasarkan prioritas sasaran pasar. Pada proses pertama, setiap Buzzer diambil 500 follower secara acak. Untuk setiap follower atau pengguna twitter secara umum, diambil maksimal 500 tweet per pengguna dan informasi bio pengguna tersebut. Proses kedua adalah prediksi profil statis dan dinamis. Siswanto dkk (2014) mendapatkan model terbaik dibangun dengan setting pembelajaran mesin yang berbeda seperti yang ditunjukkan oleh Tabel 1.

1. follower1, laki-laki, pekerja, di atas 30 tahun, sudah menikah, teknologi-olahraga 2. follower2, laki-laki, pelajar, di bawah 20 tahun, belum menikah, teknologi Gambar 3. Contoh model untuk buzzer Setelah prediksi profil statis dan dinamis selesai dilakukan untuk setiap follower buzzer, dilakukan proses ketiga yaitu kalkulasi kecocokan antara sasaran pasar dan model buzzer, yaitu persentase kecocokannya. Berikut adalah pseudo-code perhitungan kecocokan buzzer, dan contoh hasilnya dapat dilihat pada Gambar 4. //hitung persentase kecocokan untuk setiap atribut profil For each bbuzzer do follower=get_follower(b) //follower.size()0 For each attprofile_attribute do cc=count_if(follower,att) pct[att]=cc/follower.size()

Gambar 4. Contoh hasil kalkulasi kecocokan yang diambil dari Gambar 1.

22


Proses terakhir adalah mengurutkan buzzer berdasarkan prioritas profil yang telah diberikan pemilik iklan. Buzzer yang menempati urutan teratas diasumsikan sebagai Buzzer yang paling baik untuk menyebarkan iklan tersebut.

4. PENGUJIAN Untuk mengukur kinerja aplikasi rekomendasi buzzer, dilakukan pengujian dengan kasus uji sebanyak 6 iklan. Skenario pengujian rekomendasi buzzer adalah sebagai berikut: a.

Mencari iklan yang sama (atau produk yang sama) yang disebarkan oleh beberapa Buzzer.

b.

Mencatat interaksi pengguna Twitter terhadap iklan tersebut dari masing-masing Buzzer.

c.

Menentukan target pasar dari iklan tersebut.

d.

e.

f.

g.

yang berhasil didapatkan oleh buzzer tersebut. Nilai NDCG terbaik adalah 0.7, dan nilai terendah 0.03. Terdapat perbedaan yang sangat jauh antara relevansi dan peringkat rekomendasi yang diberikan sistem. Hal-hal yang dapat mempengaruhi perbedaan tersebut antara lain kesalahan klasifikasi yang menyebabkan kesalahan urutan peringkat, ataupun parameter dari sisi Buzzer, seperti jumlah follower atau seberapa besar pengaruh Buzzer tersebut terhadap followernya. Selain itu, sembilan sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata 100% dengan target pasar yang telah ditentukan. Tabel 3. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 1 Nama Buzzer

Interaksi RT

Fa v

Menentukan relevansi masing-masing Buzzer sesuai dengan total interaksi. Buzzer yang paling relevan diasumsikan memiliki total interaksi yang terbesar. Jika ada dua atau lebih Buzzer yang memiliki nilai total interaksi yang sama, maka akan dilihat dari total jumlah follower Buzzer tersebut, semakin tinggi jumlah follower maka dianggap semakin relevan. Semakin tinggi poin relevansi menyatakan tingkat relevansi yang semakin besar.

KerjaKre atif ranirama dhany WOWK onyol LALAka rmela pergijau h

6

Menentukan peringkat rekomendasi Buzzer berdasarkan kecocokan profil 500 follower Buzzer tersebut dengan target pasar yang telah ditentukan. Semakin tinggi nilai peringkat yang dihasilkan, maka Buzzer tersebut semakin direkomendasikan.

4.2 Pengujian iklan 2

Menentukan nilai NDCG (Normalized Discounted Cumulative Gain) (Jarvelin & Kekalainen, 2000) untuk masing-masing peringkat rekomendasi. Nilai NDCG digunakan untuk mengetahui kualitas peringkat yang dihasilkan. Nilai NDCG akhir untuk setiap pengujian didapatkan dari nilai NDCG pada peringkat rekomendasi terakhir. Semakin besar nilai peringkat rekomendasi, maka Buzzer tersebut semakin cocok dengan iklan yang diuji. Mengambil maksimal 10 sampel pengguna yang melakukan interaksi terhadap iklan sebuah Buzzer, untuk kemudian diprediksi profil pengguna tersebut. Hal ini dilakukan untuk mengetahui kecocokan antara target pasar yang telah ditentukan sebelumnya dengan pengguna yang melakukan interaksi.

4.1 Pengujian iklan 1 Isi iklan: “Mau Samsung GALAXY Grand 2 ga, LOLs? Tulis aja cerita #Journey2Grand lo di http://bit.ly/1iFeCyp Yang keren yak. Ngebutt~”. Tabel 2. Sasaran Pasar Iklan 1 Profil Lokasi Jenis Kelamin Pekerjaan Status Pernikahan Umur Minat

Sasaran Pasar Any Any Any Any Any Teknologi

Prioritas 2 2 2 2 2 1

Dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 2, didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 3. Kolom relevansi diisi berdasarkan banyaknya interaksi

Total Inter aksi

Jumlah Follower

Rele vansi

Peringkat Rekomen dasi

3

9

80740

5

4

4

5

9

60561

4

3

0

3

3

488004

3

1

0

3

3

194254

2

2

0

1

1

73206

1

5

N D C G 0.5 1 0.6 4 0.7 0 0.6 5 0.0 3

Isi iklan: “Pendaftaran JPU TELKOMUNIVERSITY tinggal 4 hari lagi :-) yuk buruan dftr :-) http://smb.telkomuniversity.ac.id :-)”. Tabel 4. Sasaran Pasar Iklan 2 Profil Lokasi Jenis Kelamin Pekerjaan Status Pernikahan Umur Minat

Sasaran Pasar Any Any Pelajar Belum Menikah Di Bawah 20 Tahun Teknologi atau Bisnis dan Keuangan


Dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 4, didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 5. Nilai NDCG untuk setiap peringkat rekomendasi sudah memberikan hasil yang sangat baik, yaitu dengan nilai NDCG 1. Peringkat rekomendasi yang dihasilkan sesuai dengan relevansi berdasarkan interaksi pengguna terhadap iklan. Selanjutnya, diambil sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut, dan didapatkan kecocokan rata-rata sebesar 90% dengan sasaran pasar yang telah ditentukan. Tabel 5. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 2 Nama Buzzer

Interaksi

Total Inter aksi

Jumlah Follower

Rele vansi

smbtel kom

17 Retweet + 2 Favorite + 10 reply 18 Retweet + 2 Favorite

29

11259

20

1121500

infobd g


2

Pering kat Rekom endasi 2

N D C G 1

1

1

1

23

4.3 Pengujian iklan 3 Isi iklan: ”@Nivea_ID bikin #BrightUpYourDay. Hadiahnya ke phuket thailand. Mantap khan? Udah pada daftar di http://bit.ly/nvwmn belum?”. Tabel 6. Sasaran Pasar Iklan 3 Profil Lokasi Jenis Kelamin Pekerjaan Status Pernikahan Umur Minat

Sasaran Pasar Any Perempuan Any Any Any Kesehatan Kecantikan

dan


Tabel 9. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 4

Dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 6, didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 7. Nilai NDCG untuk setiap peringkat rekomendasi sudah memberikan hasil yang sangat baik, yaitu dengan nilai NDCG 1. Selanjutnya, diambil empat sampel pengguna yang melakukan interaksi terhadap iklan tersebut, dan didapatkan kecocokannya rata-rata hanya sebesar 25% dengan sasaran pasar yang telah ditentukan. Ketidakcocokan antara target pasar dengan profil pengguna yang melakukan interaksi dengan pengguna dapat disebabkan karena kesalahan hasil klasifikasi profil baik dinamis maupun statis. Tabel 7. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 3 Nama Buzzer

dwitas aridwit a Suara HatiCe wek NoteC ewek

Interaksi

Total Interaksi

Jumlah Follower

1 Retweet + 3 Favorite

4

909394

3

Perin gkat Reko men dasi 3


4

294514

2

2


3

406916

Rele vansi

1

1

kesalahan klasifikasi profil follower dan Buzzer “Pandasuper”, “millyshafiq”, dan “mratuliu” merupakan Buzzer yang berasal dari perorangan sehingga memiliki pengaruh yang umumnya lebih besar dibandingkan dengan Buzzer yang merupakan organisasi tertentu. Sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata sebesar 72.5% dengan sasaran pasar yang telah ditentukan. Ketidakcocokan yang terjadi dapat disebabkan oleh kesalahan klasifikasi pada profil statis maupun dinamis, terutama pada profil status pernikahan karena data yang digunakan hanya data bio yang relatif sangat singkat, kecuali jika tidak menuliskan bio klasifikasi dilakukan dengan data tweet.

N D C G

1

1

1

Nama Buzzer

Interaksi

Total Inter aksi

Jumlah Follower

Rele vansi


Pandasu per

6 Retweet + 9 Favorite+ 2 reply 4 Retweet + 6 Favorite 2 Retweet + 4 Favorite 3 Retweet + 2 Favorite

19

559806

4

1

10

13038

3

4

6

509623

2

2

5

1621342

1

3

millysha fiq mratuliu Faktanya Adalah

4.5 Pengujian iklan 5 Isi iklan: “Mau tahu perusahaan apa saja yg hadir di #TitianKarirITB 2-4 Mei? Klik > http://bit.ly/denahTKT pic.twitter.com/1SmzCyySYF - @TitianKarirITB”. Tabel 10. Sasaran Pasar Iklan 5 Profil Lokasi Jenis Kelamin Pekerjaan Status Pernikahan Umur Minat

Sasaran Pasar Bandung Any Pelajar or Tidak Bekerja Belum Menikah Di bawah 20 tahun or 20 sampai 30 tahun Teknologi or Bisnis dan Keuangan


4.4 Pengujian iklan 4 Isi iklan: “yang punya anak kecil lagi suka coret2 tembok, ganti catnya pake Dulux Easy Clean aja, gampang dihapus :) #forgivenessiseasy @LetsColourID”. Tabel 8. Sasaran Pasar Iklan 4 Profil Lokasi Jenis Kelamin Pekerjaan Status Pernikahan Umur Minat

Sasaran Pasar Any Any Pekerja or Tidak Bekerja Sudah Menikah 20 sampai 30 tahun or di atas 30 tahun Keluarga

Prioritas 5 5 4 1 2

Dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 10, didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 11. Nilai NDCG sudah memberikan hasil yang sangat baik, yaitu 1. Peringkat rekomendasi yang dihasilkan sesuai dengan relevansi berdasarkan interaksi pengguna terhadap iklan. Sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata sebesar 74% dengan sasaran pasar yang telah ditentukan. Ketidakcocokan yang terjadi dapat disebabkan oleh kesalahan klasifikasi pada profil statis maupun dinamis, pengguna tidak menuliskan profil lokasi sesuai yang diinginkan, dan pengguna yang melakukan interaksi merupakan pemberi kerja.

3

Dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 8, didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 9. Nilai NDCG terbaik untuk iklan 4 cukup baik, yaitu 0.73. Ketidaksesuaian peringkat tersebut dapat terjadi karena

24


N D C G 0.7 3 0.4 7 0.4 4 0.3 9

Tabel 11. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 5 Nama Buzzer

infobdg

Interaksi

20 Retweet +3 Favorite 11 Retweet +6 Favorite 7 Retweet + 0 Favorite

Total Inter aksi

Jumlah Follower

Re lev an si

N D C G

3

Perin gkat Reko men dasi 3

23

1121500

17

155405

2

2

1

7

12051

1

1

1

1

Tabel 14. Rangkuman Pengujian Rekomendasi Buzzer

No

Jumlah Buzzer

4.6 Pengujian Iklan 6

1 2 3 4 5 6 Rata-rata

Isi iklan: “Cari sepatu running atau sepatu futsal? Invite aja BBM: 28AFF6F9 | SMS/WA: 0877-6618-8777 atau cek @SepatuDistroID pic.twitter.com/56eag4fvrp”

5. KESIMPULAN

LokerBdg pln_bandung

Sasaran Pasar Any Laki-laki Any Any Any Olahraga


Dengan sasaran pasar seperti yang ditunjukkan oleh Tabel 12, didapatkan hasil rekomendasi berupa peringkat kecocokan buzzer dengan sasaran pasar seperti yang ditunjukkan oleh Error! Not a valid bookmark self-reference.. Nilai NDCG pada iklan 6 tinggi, yaitu di atas 0.98. Perbedaan yang terjadi hanya posisi peringkat dari “infosuporter” dan “SiaranBolaLive” yang tertukar. Sepuluh sampel pengguna yang melakukan interaksi terhadap iklan tersebut memiliki kecocokan rata-rata 100% dengan target pasar yang telah ditentukan. Tabel 13. Pengujian Hasil Rekomendasi Buzzer untuk Iklan 6 Nama Buzzer

Interaksi

Total Inter aksi

Juml ah Follo wer 5503 8

Rele vansi


PLESETA NBOLA

12 Retweet +5 Favorite

17

4

4

infosuporte r


7

2976 81

3

2

SiaranBola Live


7

6926 7

2

3

TeamRona ldoID


2

1205 1

1

1

Kecocokan target iklan dengan user yang melakukan interaksi (%) 100.00 90.00 25.00 72.50 74.00 100.00 76.92

Makalah ini telah menunjukkan bagaimana aplikasi rekomendasi buzzer dapat menghasilkan rekomendasi untuk pemasaran produk berupa iklan. Peringkat hasil rekomendasi Buzzer berdasarkan profil follower sesuai dengan peringkat total interaksi terhadap masing-masing iklan. Hal ini dapat dilihat rata-rata nilai NDCG untuk keenam iklan adalah sebesar 0.90 dan 3 dari 6 iklan yang diujikan memiliki persentase kecocokan antara relevansi dan peringkat rekomendasi sebesar 100%.

Tabel 12. Sasaran Pasar Iklan 6 Profil Lokasi Jenis Kelamin Pekerjaan Status Pernikahan Umur Minat

5 2 3 4 3 4

NDCG buzzer terbaik 0.70 1.00 1.00 0.73 1.00 0.98 0.90

N D C G 1 . 0 0 0 . 9 7 0 . 8 7 0 . 9 8

Rangkuman pengujian rekomendasi Buzzer untuk iklan 1 sampai dengan 6 dapat dilihat pada Error! Reference source not found..

Parameter yang digunakan untuk penentuan target pasar pada penelitian ini sudah cukup mewakili target pasar dari sebuah iklan. Hal ini dapat dilihat dari pengujian berbagai variasi iklan, rata-rata kecocokan antara target pasar dengan profil akun pengguna yang melakukan interaksi adalah sebesar 72.92%. Beberapa ketidakcocokan rekomendasi disebabkan oleh adanya kesalahan prediksi profil follower. Untuk itu, perlu dilakukan penelitian lebih lanjut untuk memperbaiki kinerja model prediksi profil pengguna twitter ini.

6. REFERENSI Burger, J. D., Henderson, J., Kim, G., & Zarrella, G. (2011): Discriminating Gender on Twitter, Proceedings of the Conference on Empirical Methods in Natural Language Processing, Association for Computational Linguistics, 1301 – 1309. Fripp, G. (2014). Choice of Consumer Segmentation Bases. diakses tanggal 1 Maret 2014, dari Segmentation Study Guide: www.segmentationstudyguide.com K. Jarvelin dan J. Kekalainen (2000). IR evaluation methods for retrieving highly relevant documents, Proceedings of the 23rd annual international ACM SIGIR conference on Research and development in information retrieval, SIGIR ’00, ACM, 2000. Kaplan, A. M., & Haenlein, M. (2011). Two hearts in threequarter time: How to waltz the social media/viral pemasaran dance. Business Horizons, 54(3), 253-263. Katz, E., & Lazarsfeld, P. F. (1970). Personal Influence, The part played by people in the flow of mass communications. Transaction Publishers. McDonald, M. dan Dunbar, I. (2004): Market Segmentation: How to do it, how to profit from it. Butterworth-Heinemann. Rao, D., Yarowsky, D., Shreevats, A., dan Gupta, M. (2010): Classifying Latent User Attributes in Twitter, Proceedings of the 2nd International Workshop on Search and Mining UserGenerated Contents, ACM, 37 – 44.


25

Siswanto, E., Khodra, M.L. (2013): Predicting Latent Attributes of Twitter User by Employing Lexical Features, The 5th International Conference on Information Technology and Electrical Engineering (ICITEE), 7-8 Oktober 2013, Yogyakarta.

Conference on Advanced Informatics: Concepts, Theory, and Applications, 20-21 Agustus 2014, Bandung. Wibisono, Y., & Faruqi, N. (2013): Penentuan Gender Otomatis Berdasarkan Isi Microblog Memanfaatkan Fitur Sosiolinguistik, Jurnal Cybermatika, 1(1).

Siswanto, E., Khodra, M.L., Dewi, L.J.E. (2014): Prediction of Interest for Dynamic Profile of Twitter User, International

26


Aplikasi Rekomendasi Buzzer untuk Pemasaran Produk dengan Prediksi Profil Pengguna Twitter

Recommend Documents