Menemukan Hot News Dengan Optimasi Distribusi Waktu
Abstract
Perkembangan internet dan teknologi informasi yang sangat pesat menyebabkan pengguna internet dan media sosial terus mengalami peningkatan. Pada awal tahun tahun 2022 pengguna internet mencapai 204,7 juta jiwa atau 73,7% dari penduduk Indonesia. Selama beberapa tahun terakhir khususnya era revolusi industry 4.0, data telah berkembang dalam skala besar diberbagai bidang. Pengunaan internet oleh masyarakat mengakibatkan ekspresi big data semakin popular dalam bidang akademik, pemerintahan dalam interaksi media social. Potensi big data dalam mentransformasi layanan digital, pemerintah, dan interaksi antara pemerintah, warga, dan sektor bisnis, sangat besar. Big data dapat mendorong kolaborasi, membuat solusi real time untuk tantangan dalam sebuah instansi pemerintahan, kesehatan, transportasi dan mengantar era baru pengambilan kebijakan dan keputusan. Oleh karena itulah big data melalui media sosial akan memainkan peran yang lebih luas dalam kehidupan warga negara. Saat ini tersedia data dan informasi dari berbagai media sosial yang terakumulasi dalam satu wadah yakni big data, namun belum dapat digunakan secara maksimal oleh instansi terkait secara cepat dan akurat karena belum optimal dalam menangkap berita hangat yang beredar di masyarakat berdasarkan periode waktu sebagai pendukung keputusan dalam mengambil kebijakan yang perioritas. Dalam paper ini, ditemukan sebuah model dalam menemukan hot news dalam media social dengan optimasi distribusi waktu. Maka dalam penelitian ini dikembangkan dengan penambahan waktu untuk setiap frekwensi munculnya kata dalam teks untuk setiap kejadian terhadap perangkat media social dan mencari bobot frekwensi setiap periode dalam media sosial. Distribusi waktu sangat memegang peranan penting dalam menghasilkan kategori informasi yang termasuk dalam berita hangat.
Full Text:
PDF (Bahasa Indonesia)References
K. Chaudhary, M. Alam, M. S. Al-Rakhami, and A. Gumaei, “Machine learning-based mathematical modelling for prediction of social media consumer behavior using big data analytics,” J. Big Data, vol. 8, no. 1, 2021, doi: 10.1186/s40537-021-00466-2.
H. Bertot, John Carlo and Choi, “Big Data and E-Government: Issues, Policies, and Recommendations,” Proc. 14th Annu. Int. Conf. Digit. Gov. Res., 2013.
J. Holgersson and F. Karlsson, “Public e-service development: Understanding citizens’ conditions for participation,” Gov. Inf. Q., vol. 31, no. 3, pp. 396–410, 2014, doi: 10.1016/j.giq.2014.02.006.
B. Schultz, “Big data in big companies,” Baylor Bus. Rev., vol. 32, no. 1, 2013.
V. Gopalkrishnan, D. Steier, H. Lewis, and J. Guszcza, “Big data, big business: Bridging the gap,” 2012, doi: 10.1145/2351316.2351318.
H. Chen, R. H. L. Chiang, and V. C. Storey, “Business intelligence and analytics: From big data to big impact,” MIS Q. Manag. Inf. Syst., vol. 36, no. 4, 2012, doi: 10.2307/41703503.
N. Kshetri, “The emerging role of Big Data in key development issues: Opportunities, challenges, and concerns,” Big Data Soc., vol. 1, no. 2, 2014, doi: 10.1177/2053951714564227.
C. Xu, L. Xu, Y. Lu, H. Xu, and Z. Zhu, “E-government recommendation algorithm based on probabilistic semantic cluster analysis in combination of improved collaborative filtering in big-data environment of government affairs,” Pers. Ubiquitous Comput., vol. 23, no. 3–4, pp. 475–485, 2019, doi: 10.1007/s00779-019-01228-x.
Z. Tufekci, “Big Questions for social media big data: Representativeness, validity and other methodological pitfalls,” Proc. 8th Int. Conf. Weblogs Soc. Media, ICWSM 2014, pp. 505–514, 2014.
S. Giglio, E. Pantano, E. Bilotta, and T. C. Melewar, “Branding luxury hotels: Evidence from the analysis of consumers’ ‘big’ visual data on TripAdvisor,” J. Bus. Res., vol. 119, 2020, doi: 10.1016/j.jbusres.2019.10.053.
S. H. Jung and Y. J. Jeong, “Twitter data analytical methodology development for prediction of start-up firms’ social media marketing level,” Technol. Soc., vol. 63, 2020, doi: 10.1016/j.techsoc.2020.101409.
J.~Allan, J.~Carbonell, G.~Doddington, J.~Yamron, and Y.~Yang, “Topic Detection and Tracking Pilot Study: Final Report,” 1998.
K. K. Bun and M. Ishizuka, “Topic extraction from news archive using TF∗PDF algorithm,” 2002, doi: 10.1109/WISE.2002.1181645.
Y. Lu, P. Zhang, J. Liu, J. Li, and S. Deng, “Health-Related Hot Topic Detection in Online Communities Using Text Clustering,” PLoS One, vol. 8, no. 2, 2013, doi: 10.1371/journal.pone.0056221.
L. You, Y. Du, J. Ge, X. Huang, and L. Wu, “BBS based hot topic retrieval using back-propagation neural network,” in Lecture Notes in Artificial Intelligence (Subseries of Lecture Notes in Computer Science), 2005, vol. 3248, doi: 10.1007/978-3-540-30211-7_15.
DOI: http://dx.doi.org/10.30645/senaris.v4i2.207
Refbacks
- There are currently no refbacks.