Garuda - Garba Rujukan Digital

p-Index From 2019 - 2024

2.307

P-Index

This Author published in this journals

All Journal Techno.Com: Jurnal Teknologi Informasi JUTI: Jurnal Ilmiah Teknologi Informasi Jurnal Teknologi Informasi dan Ilmu Komputer Briliant: Jurnal Riset dan Konseptual Journal of Information System,Graphics, Hospitality and Technology Sewagati

Agus Budi Raharjo

Departemen Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya

Author-ID : 2407045

Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Dentistry Education Engineering Library & Information Science Social Sciences Other

Published : 14 Documents Claim Missing Document

Claim Missing Document

Articles

1 2

Prediksi Akumulasi Kasus Terkonfirmasi Covid-19 Di Indonesia Menggunakan Support Vector Regression Agus Budi Raharjo; Zahrul Zizki Dinanto; Dwi Sunaryono; Diana Purwitasari
Techno.Com Vol 20, No 3 (2021): Agustus 2021
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v20i3.5062

Indonesia merupakan salah satu negara di dunia yang terdampak parah oleh gelombang kedua COVID-19. Salah satu cara untuk meningkatkan kesadaran masyarakat terhadap wabah penyebaran virus adalah dengan memberikan informasi tentang prediksi kasus baru. Memprediksi akumulasi kasus dalam beberapa hari ke depan juga sangat penting untuk memperkirakan kebutuhan rumah sakit dan membantu pemerintah dalam membuat kebijakan. Di sisi lain, pola kasus gelombang kedua sulit untuk disimulasikan dengan pendekatan regresi tradisional. Penelitian ini berfokus pada pembuatan sistem informasi yang memberikan visualisasi prediksi akumulasi kasus COVID-19 di Indonesia dengan menggunakan Support Vector Regression (SVR). Algoritma pembelajaran ini dipilih karena kinerjanya yang sangat baik untuk menangani prediksi deret waktu. Hasil eksperimen menunjukkan bahwa SVR dapat memprediksi jumlah akumulasi kasus selama 30 hari ke depan dengan akurasi di atas 80%. Model prediksi tersebut kemudian dipasang pada aplikasi berbasis web, dan hasilnya divisualisasikan sesuai dengan data terbaru.

Identifikasi Pengaruh Pandemi Covid-19 terhadap Perilaku Pengguna Twitter dengan Pendekatan Social Network Analysis Diana Purwitasari; Apriantoni Apriantoni; Agus Budi Raharjo
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8, No 6: Desember 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021865213

Pandemi COVID-19 yang berlangsung lama telah berdampak masif pada berbagai aktivitas publik, misalnya perilaku pengguna di media sosial. Twitter, media sosial yang fleksibel untuk berdiskusi dan bertukar pendapat, menjadi salah satu media populer dalam menyebarluaskan informasi COVID-19 secara dinamis dan up-to-date. Hal ini menjadikan twitter relevan sebagai media ekstraksi pengetahuan dalam mengidentifikasi perubahan perilaku pengguna. Kontribusi penelitian ini adalah menemukan perubahan perilaku pengguna twitter melalui analisis profil pengguna pada periode sebelum dan setelah COVID-19. Data yang digunakan adalah data tweet berbahasa Indonesia. Penelitian ini menggunakan pendekatan Social Network Analysis (SNA) sebagai ekstraksi informasi dalam menentukan aktor utama dan aktor populer. Kemudian, profil pengguna aktif dianalisis untuk mengidentifikasi perubahan perilaku melalui intensitas tweet, popularitas pengguna, dan representasi topik pembahasan. Popularitas pengguna dianalisis dengan pendekatan follower rank, sedangkan representasi topik pembahasan diekstraksi dengan metode Latent Dirichlet Allocation untuk mendapatkan dominan topik yang dibahas oleh setiap pengguna aktif. Tujuannya adalah untuk mempermudah identifikasi pengaruh pandemi COVID-19 terhadap perubahan perilaku pengguna twitter. Berdasarkan hasil SNA, penelitian ini menemukan tiga aktor kunci yang aktif pada periode sebelum dan setelah COVID-19. Selanjutnya, hasil analisis dari ketiga aktor tersebut menunjukkan adanya pengaruh pandemi COVID-19 terhadap perubahan perilaku pengguna twitter, yaitu kenaikan intensitas tweet sebesar 58% pada jam kerja, aktor utama yang didominasi oleh 60% pengguna dengan follower rendah, dan topik pembicaraan pengguna twitter yang dominan membahas COVID-19, hobi dan aktivitas di dalam rumah. AbstractThe long-lasting COVID-19 pandemic had a massive impact on public activities, such as user behavior on social media. Twitter, a flexible social media for discussing and exchanging opinions, has become popular in disseminating COVID-19 dynamic and up-to-date information. It makes twitter relevant as a medium of knowledge extraction in identifying user behavior changes. The contribution of this research is to find behavior changes of Twitter users through user profiles analysis in the before and after COVID-19 period. This data used is Indonesian-language tweets. This research used a Social Network Analysis (SNA) to determine the main actors and famous actors. Then, active user profiles were analyzed to identify behavior changes through tweet intensity, user popularity, and representation of the topic of discussion. User popularity was analyzed using a follower rank approach. At the same time, the representation of discussion topics was extracted using the Latent Dirichlet Allocation method to obtain dominant topics which each active user discusses. It aims to make it easier to identify the impact of the COVID-19 pandemic on Twitter user behavior changes. Based on the results of the SNA, this research found three key actors who were active in the before and after COVID-19 period. Then, the results of the analysis of these three user profiles shows that an influence of the COVID-19 pandemic on Twitter user behavior changes: an increase in tweet intensity by 58% during working hours, the leading actor was dominated by 60% of users with low followers, and the topic of Twitter users' conversation that it dominantly discuss COVID-19 issues, hobbies, and activities at home.

K-MEANS AND XGBOOST FOR CUSTOMER ELECTRICITY ACCOUNT PAYMENT BEHAVIOR ANALYSIS (CASE STUDY: PLN ULP PANAKKUKANG) Nugraha, Raditya Hari; Purwitasari, Diana; Raharjo, Agus Budi
JUTI: Jurnal Ilmiah Teknologi Informasi Vol. 20, No. 2, Juli 2022
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v20i2.a1132

Revenue Acceleration from electricity account receivables is one of the energy companies' efforts to maintain cash flow so that they can carry out operational activities and carry out investment activities to develop company assets. Factors that influence electricity bill payment behavior include the location of consumers, the amount of the bill, payment point facilities located around consumers' homes, the use of digital technology as a media of payment, as well as consumer awareness and understanding regarding the time limit for paying electricity bills. Therefore, it is necessary to conduct an analysis so that the company can determine a special strategy for customers who have the potential to be in arrears in electricity bills. To get the characteristic of electricity bill payments, several previous studies have used various classification methods of machine learning such as random forest, nave bayes, SVM, CART, etc. to get the best accuracy. In this research, to increase the accuracy of the model, author using the cluster method with the k-means technique and combining it with the eXtreme Gradient Boosting (XGBOOST) classification method based on data on the characteristics of consumer electricity bill payments. In this study also used hyperparameter adjustment with hillclimbing, random search, and bayesian techniques to increase the accuracy of the model. The model simulation carried out in this thesis gives the result that the combination of the k-means cluster with the XGBoost classification and by adjusting the bayesian technique hyperparameters has a much better model accuracy rate with a value of 89.27% and an Area Under Curve (AUC) value of 0.92 when compared to gradient boosting method with an accuracy rate of only 74.76% and an AUC value of 0.75. Based on the simulation results on ULP Panakkukang customer data, it was found that the subsidy category customer group and customers who often experience power outages have a tendency to be in arrears on electricity bills.

LOAD FORECASTING FOR DAILY LOAD OPERATIONAL PLAN USING LSTM (CASE STUDY: SOUTH SULAWESI SUB SYSTEM) Raharjo, Agus Budi; Wakhid, Muhammad Abdul; Purwitasari, Diana
JUTI: Jurnal Ilmiah Teknologi Informasi Vol. 20, No. 2, Juli 2022
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v20i2.a1138

The electrical load required in an electricity sub-system changes every day. Electric power operators must be able to generate and distribute electricity according to consumer needs. In the Sulawesi sub-system, the power plants used are still dominated by fossil fuel generators, so that in their operations, fuel requirements need to be given serious attention. Planning a good daily electricity consumption is needed so that the fuel cost becomes optimal. In the current condition, the load forecasting for the Daily Load Operation Plan (ROH) is still based on Expert Judgment, which is different for each forecaster. With a fairly large error tolerance limit of 4%. We need a load forecasting instrument capable of better error tolerance. Forecasting methods such as ARIMA, SARIMA and ARIMAX have been used for many years. In recent years, several artificial intelligence techniques such as Neural Network and machine learning have been developed for time series analysis. And recently, more accurate forecasting results are shown by Artificial Neural Network (ANN) and Recurrent Neural Network (RNN) compared to traditional forecasting methods. Long Short Term Memory (LSTM) is a model of RNN that uses past data (Long Term) to predict current data (Short Term). Electric load in Sulawesi subsystem used as data training after normalized using min-max normalization. The LSTM model is made with different data input. Forecasting performance of each model is then evaluated based on the RMSE and MAPE values. Of the several data input models, forecasting models with daily data input show better performance than other scenarios. The MAPE and RMSE values obtained were 2.384% and 33.95, respectively.

Random Forest Regression Untuk Prediksi Produksi Daya Pembangkit Listrik Tenaga Surya Agus Budi Raharjo; Ardianto Ardianto; Diana Purwitasari
BRILIANT: Jurnal Riset dan Konseptual Vol 7, No 4 (2022): Volume 7 Nomor 4, November 2022
Publisher : Universitas Nahdlatul Ulama Blitar

Pembangkit listrik tenaga surya (PLTS) menjadi solusi yang paling popular dan diterapkan dibanyak negara. Namun interkoneksi PLTS ke sistem jaringan transmisi listrik menghadirkan permasalahan kepada operator jaringan dikarenakan memiliki sifat fluktuasi dalam menghasilkan energi listrik. Faktor-faktor yang berpotensi mempengaruhi sifat fluktuasi energi listrik adalah meteorologi dan parameter cuaca. Salah satu langkah mitigasi untuk mengatasi kondisi tersebut yaitu dengan memprediksi produksi keluaran daya PLTS. Penelitian ini mengajukan metode prediksi produksi daya dengan pra-proses data, penerapan model regresi, serta penentuan skenario uji coba. Data histori PLTS berasal dari sistem SCADA selama setahun yang terdiri atas faktor nilai produksi keluaran daya, radiasi, suhu lingkungan, suhu peralatan, dan kecepatan angin. Data yang telah diolah selanjutnya dimodelkan menggunakan algoritma Random Forest Regression (RFR). Dalam proses pemodelan dilakukan skenario pengaturan beberapa parameter, seperti proses perbaikan hilang rekam, normalisasi data dan filter produksi. Evaluasi dilakukan dengan menganalisis perbandingan kinerja setiap algoritma beserta kombinasi skenarionya. Hasil eksperimen menunjukkan bahwa RFR mempunyai kinerja tinggi dengan nilai R2 sebesar 0.9679 dan RMSE sebesar 0.0438. Pemilihan skenario yang tepat terbukti memberi peningkatan kinerja akurasi sebesar RFR 2,90%.

Analisis Laporan Gangguan Pelanggan Menggunakan Kombinasi Regresi Linear Berganda dan Klasifikasi Decision Tree Untuk Penentuan Komposisi Tim Yantek (Studi Kasus PLN UP3 Makassar Selatan) Agus Budi Raharjo; Yanuardhi Arief Budiyono; Diana Purwitasari
BRILIANT: Jurnal Riset dan Konseptual Vol 7, No 4 (2022): Volume 7 Nomor 4, November 2022
Publisher : Universitas Nahdlatul Ulama Blitar

PT PLN (Persero) terus berupaya meningkatkan layanan kepada pelanggan dalam hal durasi penanganan laporan gangguan pelanggan melalui implementasi command center. Dengan total pelanggan 549.649, command center PLN UP3 Makassar Selatan bertujuan untuk memusatkan pemantauan laporan gangguan pelanggan dan pengaturan petugas pelayanan teknik di lapangan untuk mempercepat durasi penanganan laporan gangguan pelanggan. Dalam rentang waktu tiga tahun sejak Januari 2019 hingga Desember 2021, PLN UP3 Makassar Selatan memiliki laporan gangguan pelanggan sebanyak 225.309 laporan. Penelitian ini bertujuan untuk memprediksi pemenuhan durasi penanganan laporan gangguan sesuai penetapan target kinerja UP3 Makassar Selatan. Analisis prediksi menggunakan metode Regresi Linear pada variabel jumlah laporan dengan target durasi penanganan gangguan pada data laporan gangguan pelanggan yang bersumber dari Aplikasi Keluhan dan Pelayanan Terpadu (APKT). Selanjutnya klasifikasi menggunakan metode Decission Tree untuk mengetahui durasi penanganan gangguan memenuhi target kinerja atau tidak. Hasil penelitian menunjukkan bahwa metode yang diajukan memberikan kinerja yang baik berdasarkan evaluasi Coefficient of Determination (R2), Root Mean Square Error (RMSE), dan ROC Curve. Model yang dibangun diharapkan dapat diimplementasikan kedalam sistem pengaturan petugas teknik sehingga memberikan komposisi jumlah tim untuk menurunkan durasi penanganan laporan gangguan.

Identifikasi Profil Konsumsi Enegri Listrik untuk Meningkatkan Pendapatan dengan Klustering Mirza Hamdhani; Diana Purwitasari; Agus Budi Raharjo
Journal of Information System,Graphics, Hospitality and Technology Vol. 4 No. 2 (2022): Journal of Information System, Graphics, Hospitality and Technology
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37823/insight.v4i2.232

Ketersediaan energi listrik pada sistem sulsel lebih dari cukup yakni 602 MW. Sejalan dengan surplusnya energi listrik, kantor pusat memberikan program program peningkataan penjualan kepada unit-unit layanan pelanggan untuk dijalankan. Program tersebut belum memberikan hasil yang baik untuk Key performance indicator penjualan tenaga listrik, karna bahwasannya program tersebut diberikan secara umum untuk seluruh unit layanan pelanggan tanpa memperhatikan kondisi pasar dan karakter pelanggan yang di miliki unit layanan. Profil konsumsi energi listrik sangat penting untuk mendukung pengembangan strategi pemasaran yang dipersonalisasi agar tepat sasaran. Identifikasi profil konsumsi listrik dapat menunjukkan karakteristik pemakaian energi listrik tiap pelanggan. Pada penelitian ini clustering dilakukan permodelan melalui pengolahan data profil konsumsi listrik ditunjukkan dengan variable daya, pemakaian energi, penambahan pelanggan bulanan dari tahun 2019-2021. Selanjutnya dari hasil clustering tersebut menggali informasi karakteristik tiap klusternya untuk dijadikan informasi strategi pemasaran. Diharapkan dari penelitian ini mendapatkan model karakteristik profil konsumsi energi listrik. Hasil dari metode sum of square error mendapatkan k=3 dengan rasio 1,57. Cluster_1 adalah pelanggan dengan kontribusi rupiah penjualan terendah yakni secara komulatif hanya memberikan 18,5%. Cluster_2 berkontribusi sedang secara komulatif pada rupiah pendapatan yakni sebesar 34,86%. Cluster_3 berkontribusi paling tinggi secara komulatif pada rupiah pendapatan yakni sebesar 46,63%. Pada kelompok pelanggan yang berkontribusi terendah perlu dilakukan pemeriksaan persil pelanggan untuk memastikan pemanfaatan energi listrik dan mencurigai adanya pelanggaran penyaluran energi listrik. Pada kelompok pelanggan kontribusi sedang diberikan pendampingan dengan pengenalan alat alat elektronik dengan manfaatnya. Kemudian pada pelanggan kontribusi besar dapat diberikan layanan peendampingan dalam rangka menjaga loyalitas pelanggan, serta memberikan layanan informasi terkait tgihan listrik. Teknik k-means clustering memberikan kemudahan identifikasi karakteristik pelanggan dan visualisasi yang baik untuk perusahaan menganalisa yang kemudian memberikan informasi rekomendasi kebijakan dan strategi peningkatan pendapatan.

Identifikasi Fitur untuk Prediksi Penerimaan Program Listrik Prabayar: Kasus di PLN Tahuna Eko Riduwan; Diana Purwitasari; Agus Budi Raharjo
Techno.Com Vol 21, No 3 (2022): Agustus 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i3.6451

Listrik Prabayar (LPB) memberikan manfaat bagi perusahaan listrik dalam hal mengurangi piutang pelanggan dan memberikan kemudahan pengendalian pemakaian listrik bagi pelanggan. Perusahaan Listrik Negara (PLN) mempunyai program pemasaran untuk berpindah (migrasi) dari listrik pascabayar menjadi LPB. Pencapaian Key Performance Indicator (KPI) Program Pemasaran LPB PLN Tahuna pada 2021 hanya 1.185 pelanggan dari taget 2.261 pelanggan. Hal ini memberikan peluang perbaikan karena program pemasaran saat ini belum mengoptimalkan penggunaan data sebagai dasar penentuan prospek pelanggan. Penelitian ini mengajukan metode identifikasi fitur dan skenario pemilihan algoritma Pembelajaran Mesin yang tepat untuk memprediksi penerimaan pelanggan listrik pasca bayar terhadap program prabayar. Identifikasi fitur dilakukan dengan pengukuran korelasi Pearson. Kandidat algoritma Pembelajaran Mesin yang terpilih adalah Logistic Regression, Support Vector Machines, Decision Tree, dan Random Forest. Model-model yang dihasilkan dievaluasi menggunakan confusion matrix sehingga didapatkan model terbaik untuk studi kasus yang diajukan. Penelitian menunjukkan bahwa fitur tarif, daya, frekuensi terlambat membayar listrik, pemakaian rata-rata listrik bulanan (kWh) dan Kabupaten mempunyai korelasi signifikan dengan penerimaan LPB. Adapun model dengan algoritma Random Forest adalah model terbaik sesuai tujuan penelitian dengan F1-Measure tertinggi (95,17%).

Pemanfaatan Machine Learning untuk Pengelompokan dan Prediksi Target Tambah Daya Listrik Pelanggan Prabayar (Studi Kasus : PT PLN ULP Watang Sawitto) Rizqa Afthoni; Diana Purwitasari; Agus Budi Raharjo
Techno.Com Vol 21, No 3 (2022): Agustus 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i3.6476

Perkembangan teknologi sistem informasi dan ilmu pengetahuan khususnya dalam bidang pemasaran membuat para pelaku usaha berupaya untuk meningkatkan competitive advantage mereka dengan mengerahkan sumber daya yang dimiliki oleh perusahaan. Perusahaan dituntut untuk berinovasi dalam mengelola perusahaannya agar dapat bertahan dalam dunia persaingan. Kemampuan untuk memprediksi pelanggan prabayar yang berpotensi tambah daya listrik merupakan salah satu strategi pendukung untuk keberhasilan program pemasaran tambah daya pelanggan berdasarkan karakteristik konsumsi listriknya. Berdasarkan hal tersebut, penelitian ini mengajukan metode prediksi pelanggan prabayar dengan memanfaatkan algoritma pengelompokan (Clustering) dan klasifikasi. Data yang diolah adalah data pelanggan prabayar tarif rumah tangga yang memiliki fitur variabel daya listrik pelanggan (VA), frekuensi beli token listrik, total pemakaian kWh, total rupiah pembelian token, selisih daya VA pelanggan, jam nyala, periode hari pembelian token listrik, dan riwayat tambah daya listrik pelanggan. Pengelompokan dilakukan dengan menerapkan algoritma K-means. Dari hasil tersebut, model prediksi dibangun sesuai target setiap klaster dengan memanfaatkan dua metode, Gradient Boosting dan Artificial Neural Network. Evaluasi prediksi model terbaik dilakukan dengan menerapkan tiga skenario proporsi data latih dan data uji, yang selanjutnya diukur menggunakan matrik akurasi dan Cohen Kappa. Hasil eksperimen menghasilkan empat klaster berdasarkan karakteristik konsumsi listriknya. Gradient Boosting memberikan hasil yang terbaik untuk semua klaster, untuk klaster 1 menghasilkan nilai AUC 0.784, klaster 2 menghasilkan nilai AUC 0.941, klaster 3 menghasilkan nilai 0.884 dan klaster 4 menghasilkan nilai AUC 0.903.

Jaringan Komunitas Berbasis Similaritas Topik Bahasan dan Emosi untuk Mengidentifikasi Perilaku Pengguna Twitter Apriantoni Apriantoni; Diana Purwitasari; Agus Budi Raharjo
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 10, No 1: Februari 2023
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.20231016317

Pandemi COVID-19 menyebabkan situasi krisis yang berdampak pada perubahan perilaku pengguna Twitter terkait pengalaman distres publik. Perubahan perilaku positif bisa berdampak positif. Namun, perubahan perilaku negatif bisa menjadi masalah jika terjadi secara masif, seperti meningkatnya kecemasan pengguna. Oleh karena itu, mengeksplorasi hubungan antara perilaku dan jaringan komunitas pengguna sangat penting untuk menemukan implikasi pandemi COVID-19 terhadap perubahan perilaku pengguna Twitter. Penelitian ini berkontribusi dalam mengidentifikasi perubahan perilaku pengguna berdasarkan model ekstraksi perilaku kolektif pada aktivitas tweet temporal. Mekanisme ini menggunakan topik bahasan dan emosi sebagai variabel ekstraksi untuk menghasilkan jaringan perilaku pengguna. Kemudian, jaringan perilaku tersebut dimodelkan dengan algoritma DeepWalk Network Embeddings untuk memetakan hubungan kedekatan perilaku antar pengguna dan Density Peak Clustering Algorithm untuk mengelompokkan komunitas pengguna berdasarkan kesamaan perilaku yang kuat. Dari analisis 121 pengguna aktif, periode sebelum COVID-19 memiliki 98 pengguna representatif yang didominasi oleh 33% perilaku komunitas terkait aktivitas pribadi dengan emosi senang. Di sisi lain, periode setelah COVID-19 memiliki 54 pengguna representatif yang didominasi oleh 65% perilaku komunitas terkait kesehatan dengan emosi marah. Perubahan perilaku kedua periode tersebut dipengaruhi oleh transisi pola jaringan terdistribusi ke pola jaringan clique graph, sehingga sentralisasi penyebaran informasi mempengaruhi potensi peningkatan perubahan perilaku pengguna pada jaringan komunitas. Hasil ini dapat digunakan untuk mengurangi potensi penyebaran perilaku negatif dengan memanfaatkan komunitas yang memiliki pengaruh perilaku positif dikalangan pengguna Twitter. AbstractThe COVID-19 pandemic caused a crisis that impacted behavior changes of Twitter users related to public distress experiences. Positive behavior changes could have a positive impact. However, negative behavior changes could have problems if it occur massively, such as increased user anxiety. Therefore, exploring the relationship between behavior and user community in the social networks is very important to find the implication of the COVID-19 pandemic on behavior changes of Twitter users. This study contributes to identify user behavior changes based on the collective behavior extraction model on temporal tweet activities. This mechanism used discussion topics and emotions as extraction variables to generate user behavior network. Then, the behavioral network was modeled by the DeepWalk Network Embeddings algorithm to map the behavioral closeness relationship between users and the Density Peak Clustering Algorithm to group user communities with strong behavioral similarities. Based on the analysis of 121 active users, before the COVID-19 period had 98 representative users, who were dominated by 33% of community behavior related to personal activities with happy emotions. On the other hand, after the COVID-19 period, 54 representative users were dominated by 65% of community behavior related to health with anger. Behavior changes in both periods are influenced by the transition from a distributed network pattern to a clique graph network pattern, so the centralization of information dissemination could affect the potential for increasing user behavioral changes in the community network. These findings could be used to reduce the potential for spreading negative behavior by leveraging communities with positive behavior influence among Twitter users.

Co-Authors Apriantoni Apriantoni Ardianto Ardianto Baskoro, Fajar Diana Purwitasari Dwi Sunaryono Edy Sukotjo Eko Riduwan Elshe Erviana Angely Erlinda Argyanti Nugraha Erlinda Argyanti Nugraha F.X. Arunanto Fajar Baskoro Farid Kamal Muzaki Fransiscus Xaverius Arunanto Herdayanto Sulistyo Putro I Dewa Made Frendika Septanaya Imam Santosa Indah Trisnawati Ivonne Soejitno Juli Purwanto Koswara, Arwi Yudhi Mirza Hamdhani Misbakhul Munir Irfan Subakti Nugraha, Raditya Hari Placidus Kristadi Stefanugroho Putra Maulida Putu Gde Ariastita Rizqa Afthoni Tucunan, Karina Pradinie Wakhid, Muhammad Abdul Yanuardhi Arief Budiyono Zahrul Zizki Dinanto

Title

Found 14 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 14 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 14 Documents
Search