Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning
Demo & Pengujian Sistem: Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning
Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning via TikTok.
Overview & Cara Kerja
Latar Belakang Masalah
Dalam ekosistem pemasaran digital (influencer marketing) tahun 2026, metrik permukaan seperti jumlah pengikut (follower count) sering kali menjadi jebakan ilusi (vanity metrics). Banyak akun media sosial yang memiliki jutaan pengikut namun menghasilkan tingkat keterikatan (engagement rate) yang sangat rendah, atau memiliki lonjakan interaksi buatan yang tidak proporsional.
Brand, agensi agensi periklanan, dan manajer talenta sering mengalami kerugian finansial akibat salah memilih kreator kampanye, karena ketiadaan tolok ukur saintifik yang mampu membedakan apakah seorang kreator merupakan tokoh publik berjangkauan global (Global Mega-Celebrity), akun media korporasi berfrekuensi posting masif (Institutional Publisher), atau kreator niche dengan audiens yang sangat militan (High-Engagement Viral Creator). Di samping itu, kebutuhan audit keaslian akun menuntut adanya sistem pendeteksi anomali metrik yang mampu mengendus anomali struktural interaksi secara otomatis.
Solusi & Nilai Tambah Sistem
Produk ini menghadirkan Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram, sebuah platform analitik mutakhir berstandar industri yang menggabungkan empat paradigma kecerdasan buatan dalam satu alur kerja harmonis:
- Unsupervised Learning (PCA & K-Means Clustering): Mereduksi 7 dimensi interaksi menjadi ruang laten 3 komponen utama (menjelaskan 93.86% varians data) dan mengelompokkan akun ke dalam 3 Arketipe Alami secara otomatis tanpa bias subjektif manusia.
- Supervised Learning (XGBoost Regressor): Memprediksi Influence Score (skala 0–100) secara presisi tinggi dengan $R^2 = 0.9956$ dan $MAE = 0.7990$, setelah melalui benchmark ketat terhadap 6 algoritma regresi (Random Forest, CatBoost, SVR, Lasso, Ridge).
- Deep Tabular Autoencoder (PyTorch Neural Network): Menggunakan arsitektur bottleneck compression untuk mendeteksi profil akun yang menyimpang dari tren pasar normal (structural anomalies) berbasis Mean Squared Reconstruction Error ($MSE \ge 0.1166$).
- Explainable AI (TreeSHAP Interpretation): Membedah kontribusi tiap fitur secara adil berbasis teori permainan kooperatif Shapley, sehingga keputusan prediksi skor pengaruh dapat dipertanggungjawabkan secara transparan di hadapan klien dan penguji akademis.
Fitur Utama Platform
- Prediksi Skor Pengaruh Akun (Influence Score 0–100): Evaluasi komprehensif atas kekuatan jangkauan dan resonansi interaksi akun.
- Klasifikasi 3 Arketipe Kreator Otomatis: Segmentasi akun menjadi Selebritas Papan Atas Dunia, Akun Media atau Brand Besar, atau Kreator Konten Viral & Interaktif.
- Pendeteksi Pola Tidak Wajar (Deep Learning Anomaly Detector): Pemindaian anomali struktural metrik berbasis batas ambang persentil ke-95 rekonstruksi Autoencoder.
- Kalkulasi Metrik Matematika Turunan: Menghitung secara otomatis Like-to-Follower Ratio, Engagement Momentum Ratio (mendeteksi akselerasi konten baru), Post Yield, dan Active Audience Estimate.
- Dashboard Interaktif Modern: Antarmuka responsif berbasis Tailwind CSS dengan animasi mulus, visualisasi radial gauge, dan tombol pengisian cepat (1-Click Preset Data Riil).
- RESTful JSON API Engine: Endpoint
/predictmodular yang siap dihubungkan ke aplikasi mobile, dashboard internal perusahaan, maupun workflow bot otomatis.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
Validasi Struktur Data Instagram Global 2026
Memuat 100 data profil influencer global teratas, memverifikasi integritas tipe data, memeriksa ketiadaan nilai kosong (null check), serta menganalisis distribusi statistik skewness metrik media sosial.
Perumusan Rasio Matematika & Transformasi Logaritmik
Merumuskan metrik turunan interaksi seperti Like-to-Follower Ratio, Engagement Momentum Ratio, dan Active Audience Estimate, dilanjutkan stabilisasi varians distribusi Pareto via transformasi logaritmik log1p serta standarisasi fitur via StandardScaler.
Reduksi Dimensi PCA & K-Means Clustering
Mereduksi 7 fitur interaksi menjadi 3 komponen utama PCA (menjelaskan 93.86% varians kumulatif) dan mengelompokkan akun ke dalam 3 arketipe profil terpisah yang divalidasi via kurva Elbow Inertia dan Silhouette Score.
Prediksi Presisi Influence Score dengan XGBoost
Melakukan benchmarking 6 model regresi via 5-Fold Repeated Cross-Validation (25 iterasi evaluasi) dan mengoptimalkan hyperparameter XGBoost via GridSearchCV hingga mencapai akurasi R² 0.9956 dan MAE 0.7990.
Deteksi Pola Akun Tidak Wajar via Tabular Autoencoder
Mengompresi 7 dimensi fitur akun ke dalam bottleneck laten 3 dimensi menggunakan Jaringan Syaraf Tiruan PyTorch dan mengukur Mean Squared Reconstruction Error untuk menandai akun anomali pada threshold persentil ke-95 (MSE ≥ 0.1166).
Penyajian Dashboard Analitik Interaktif Flask
Mengemas seluruh model machine learning dan deep learning ke dalam backend Flask berkinerja tinggi, dilengkapi antarmuka web modern Tailwind CSS dengan visual gauge, kartu metrik, dan tombol preset 1-klik data nyata.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
sistem-penilai-kualitas-pengelompokan-tipe-akun-instagram-machine-learning.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
Untuk berkas & dependensi
Pertanyaan yang Sering Diajukan (FAQ)
Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:
Bagaimana cara mendapatkan source code setelah pembayaran?
Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.
Apakah ada panduan instalasi dan dokumentasi teknis?
Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.
Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?
Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.
Bagaimana jika saya mengalami kendala teknis saat instalasi?
Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.
Ulasan Pembeli
Ulasan terverifikasi dari pengguna yang telah membeli project ini.
Belum ada ulasan untuk project ini.
Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.
Yang Anda Dapatkan:
- Full Source Code Lengkap & Aset Project
- Teknologi: Python, Flask, PyTorch, JavaScript
- Panduan Instalasi & Konfigurasi Lingkungan
- Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
- Hak Lisensi Tugas Akhir, Skripsi & Komersial
- Akses Unduhan Berkas ZIP & Code Explorer Langsung