Abstrak
PUBLIC karya
COVER Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
BAB 1 Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
BAB 2 Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
BAB 3 Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
BAB 4 Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
BAB 5 Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
PUSTAKA Girvandi Ilyas
Terbatas  karya
» Gedung UPT Perpustakaan
Terbatas  karya
» Gedung UPT Perpustakaan
Social network adalah sebuah struktur sosial yang terdiri dari sejumlah individu
yang memiliki hubungan tertentu antar satu sama lain. Salah satu bentuk social
network adalah Q&A network yang merepresentasikan hubungan antara seorang
individu yang memberikan pertanyaan dengan individu lain yang menjawab
pertanyaan tersebut. Pendekatan yang mengkaji tentang pengaruh seorang individu
terhadap individu lainnya disebut social influence analysis. Algoritme social
influence analysis dapat digunakan untuk menyelesaikan permasalahan influence
maximization, yaitu menentukan kumpulan individu (seed node) yang memiliki
influence tertinggi dalam sebuah social network. Dalam konteks Q&A network,
mencari kumpulan individu ini dapat disamakan dengan expert finding dalam
sebuah network. Algoritme yang paling baik untuk digunakan hingga saat ini adalah
algoritme greedy yang memanfaatkan model linear threshold (LT) dan independent
cascade (IC). Namun, waktu komputasi algoritme greedy sangat lama. Untuk
mempersingkat waktu komputasi, telah dikembangkan algoritme alternatif yang
memanfaatkan model LT dan IC yaitu algoritme LDAG dan algoritme
NewGreedyIC (NGIC) . Pada tugas akhir ini, dilakukan implementasi algoritme
LDAG dan algoritme NGIC untuk menyelesaikan permasalahan influence
maximization pada Q&A network.
Dari hasil eksperimen algoritme LDAG dan NGIC terhadap beberapa dataset Q&A
network, didapatkan hasil berupa waktu komputasi dan nilai influence spread yang
dicapai oleh kedua algoritme. Dari segi nilai influence spread dan waktu komputasi,
algoritme NGIC mendapatkan hasil yang lebih baik daripada algoritme LDAG.
Untuk pengembangan kedua algoritme lebih lanjut, terdapat potensi untuk
diimplementasikan secara paralel sehingga mempersingkat waktu komputasi yang
dibutuhkan. Selain itu, dapat dilakukan pula pengembangan dengan
menggabungkan algoritme-algoritme ini dengan teknik network analysis lainnya
seperti clustering dan community detection.