Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning
Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning
Machine Learning Tingkat: Advanced Versi 1.0.0 16 Dilihat
5.0 (0 ulasan)

Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning

Teknologi: Python Flask PyTorch JavaScript Tailwind CSS XGBoost Scikit-Learn Pandas NumPy Joblib CatBoost SciPy SHAP Jupyter Notebook HTML5
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Sistem Penilai Kualitas dan Pengelompokan Tipe Akun Instagram Menggunakan Machine Learning

Tonton di TikTok

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:

  1. 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.
  2. 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).
  3. 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 ($MSE \ge 0.1166$).
  4. 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 /predict modular yang siap dihubungkan ke aplikasi mobile, dashboard internal perusahaan, maupun workflow bot otomatis.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

6 Tahap Pipeline
1 DATA INGESTION

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.

instagram_global_influencers_2026.csv | N=100 Akun Global
2 FEATURE ENGINEERING

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.

StandardScaler | log1p Transformation | 10 Predictor Features
3 UNSUPERVISED LEARNING

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.

PCA (3 Components) + K-Means (k=3) | Archetype Profiling
4 SUPERVISED LEARNING

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.

XGBoost Regressor | R²=0.9956 | MAE=0.7990 | RMSE=1.1694
5 DEEP LEARNING

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).

PyTorch Autoencoder | Latent Dim: 3 | Anomaly Cutoff: 0.1166
6 WEB DEPLOYMENT

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.

Flask Engine | Tailwind CSS UI | RESTful API Endpoint /predict
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

14 Berkas Proyek 3 Folder Utama Paket ZIP 1.1 MB
clustering_scaler.joblib 1.08 KB
AI Model Pratinjau
kmeans_archetype_model.joblib 1.27 KB
AI Model Pratinjau
pca_transformer.joblib 1.48 KB
AI Model Pratinjau
pipeline_metadata.json 925 B
regression_scaler.joblib 1.24 KB
AI Model Pratinjau
tabular_autoencoder_state.pt 8.62 KB
AI Model Pratinjau
xgboost_influence_model.joblib 113.32 KB
AI Model Pratinjau
hero_analytics_preview.svg 7.27 KB
index.html 40.68 KB
app.py 9.26 KB
instagram_global_influencers_2026.csv 8.77 KB
Dataset Pratinjau
instagram_influencer_analytics_and_modeling.ipynb 1.47 MB
Notebook Pratinjau
requirements.txt 336 B

sistem-penilai-kualitas-pengelompokan-tipe-akun-instagram-machine-learning.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS Monterey+, atau Linux (Ubuntu 20.04/22.04 LTS)

Cross-platform compatible

Runtime & Bahasa
Python 3.10.x atau 3.11.x (Disarankan menggunakan virtual environment)

Lingkungan kerja teruji

Memori (RAM)
4 GB RAM minimum (Disarankan 8 GB RAM untuk komputasi grafis notebook)

Optimal untuk running service

Penyimpanan
500 MB ruang disk kosong untuk source code, dataset, dan model joblib/pt

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.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 16 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

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
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.