KLASTERISASI POPULARITAS POSTINGAN TIKTOK MENGGUNAKAN ALGORITMA K-MEANS DAN FUZZY C-MEANS

Perkembangan media sosial, khususnya TikTok, telah memengaruhi berbagai aspek kehidupan generasi muda melalui munculnya beragam tren digital yang tercermin dari penggunaan hashtag. Hashtag dapat digunakan sebagai indikator popularitas suatu topik karena menunjukkan tingkat partisipasi pengguna melalui jumlah video (publish count) serta tingkat perhatian audiens melalui jumlah tayangan video (video views). Banyaknya Hashtag yang beredar di TikTok menyebabkan identifikasi tingkat popularitas secara manual menjadi kurang efektif, sehingga diperlukan teknik analisis data untuk mengelompokkan Hashtag berdasarkan karakteristik yang dimilikinya. Penelitian ini bertujuan untuk menerapkan algoritma K-Means dan Fuzzy C-Means (FCM) dalam mengelompokkan popularitas Hashtag TikTok serta membandingkan performa kedua algoritma tersebut.
Data penelitian diperoleh melalui proses web scraping menggunakan Apify – TikTok Trending Hashtag Scraper pada tanggal 22 September 2025. Dataset yang digunakan terdiri dari 598 Hashtag trending di Indonesia dengan dua atribut utama, yaitu jumlah video (publish count) dan jumlah tayangan video (video views). Tahapan penelitian meliputi pengumpulan data, preprocessing, penentuan jumlah klaster menggunakan metode Elbow, proses klasterisasi menggunakan algoritma K-Means dan Fuzzy C-Means, serta evaluasi kualitas klaster menggunakan Silhouette Score dan Davies-Bouldin Index (DBI).
Hasil penelitian menunjukkan bahwa jumlah klaster yang optimal adalah tiga klaster. Klaster yang terbentuk merepresentasikan kelompok Hashtag dengan tingkat popularitas rendah, sedang, dan tinggi berdasarkan jumlah video dan jumlah tayangan yang dimiliki. Hasil evaluasi menunjukkan bahwa algoritma K-Means menghasilkan nilai Silhouette Score sebesar 0,813961 dan Davies-Bouldin Index sebesar 0,434324. Sementara itu, algoritma Fuzzy C-Means menghasilkan nilai Silhouette Score sebesar 0,814209 dan Davies-Bouldin Index sebesar 0,430083. Kedua algoritma menunjukkan kualitas klasterisasi yang sangat baik dengan nilai Silhouette Score di atas 0,8 dan nilai DBI yang relatif rendah.
Berdasarkan hasil perbandingan, algoritma Fuzzy C-Means memiliki performa yang sedikit lebih baik dibandingkan K-Means karena menghasilkan nilai Silhouette Score yang lebih tinggi dan nilai Davies-Bouldin Index yang lebih rendah. Selain itu, pendekatan soft clustering pada FCM memungkinkan setiap Hashtag memiliki derajat keanggotaan pada lebih dari satu klaster sehingga mampu merepresentasikan karakteristik data yang berada di antara beberapa kelompok popularitas. Dengan demikian, Fuzzy C-Means dinilai lebih efektif dalam mengelompokkan popularitas Hashtag TikTok berdasarkan jumlah video dan jumlah tayangan video.
Kata Kunci: TikTok, Hashtag, Clustering, K-Means, Fuzzy C-Means, Popularitas Hashtag.