👋 Selamat datang di PERDI — Performance, Engagement & Rating Data Instagram
Dashboard ini mengelompokkan postingan Instagram Diskominfostandi Kota Bekasi ke tier engagement Rendah/Sedang/Tinggi memakai K-Means, lengkap dengan penjelasan cara hitungnya di bagian bawah halaman.
Segmentasi Konten Instagram Diskominfostandi Kota Bekasi
41 postingan pada periode Desember 2025 dikelompokkan berdasarkan Suka, Komentar, dan Bagikan memakai K-Means — memisahkan konten yang perform tinggi dari yang perlu strategi berbeda.
Suka vs Komentar per Postingan
Klik titik untuk membuka postingan
Pola Engagement Sepanjang Periode
Total impresi per postingan, diplot menurut tanggal publikasi
Distribusi Cluster per Kategori Sumber
Kategori kecil digabung ke “Lainnya”
5 Postingan Engagement Tertinggi
| Tanggal | Ringkasan | Suka | Komentar | Total |
|---|---|---|---|---|
| 3 Des | PESONA NUSANTARA BEKASI KEREN 2025 HADIR KEMBALI!!! Ayo meriahka… | 1.205 | 52 | 1.257 |
| 4 Des | Dalam rangka pelaksanaan Pesona Nusantara Bekasi Keren 2025, aka… | 605 | 52 | 657 |
| 17 Des | PASAR MURAH BERSUBSIDI KOTA BEKASI Dalam rangka menja ga stabili… | 179 | 74 | 253 |
| 2 Des | Pemerintah Kota Bekasi melalui Disdukcapil Kota Bekasi memberika… | 214 | 25 | 239 |
| 4 Des | Pemerintah Kota Bekasi melalui DPMPTSP Kota Bekasi kembali menye… | 206 | 9 | 215 |
5 Postingan Engagement Terendah
| Tanggal | Ringkasan | Suka | Komentar | Total |
|---|---|---|---|---|
| 15 Des | Jangan sampai tertipu website palsu yang mengatasnamakan Disnake… | 0 | 1 | 1 |
| 25 Des | Natal kali ini terasa lebih hening. Ada doa-doa yang lebih panja… | 9 | 0 | 9 |
| 2 Des | Perkembangan Indek Harga Konsumen (IHK) Kota Bekasi-November 202… | 10 | 0 | 10 |
| 9 Des | Hasil Survei Kepuasan Masyarakat Triwulan IV Tahun 2025 Diskomin… | 11 | 0 | 11 |
| 1 Des | Hari AIDS Sedunia mengingatkan kita bahwa empati, dukungan, dan … | 14 | 0 | 14 |
Cara Menghitung Cluster-nya
k = 2 · n = 41 postingan
Setiap postingan punya 3 angka mentah: Suka, Komentar, Bagikan. K-Means butuh angka-angka itu dalam skala yang sebanding, jadi sebelum dikelompokkan, datanya diproses lewat 4 langkah di bawah — memakai angka asli dari data yang sedang ditampilkan, bukan contoh dummy.
1Transformasi Log (log1p)
Suka/Komentar/Bagikan sangat skewed — sebagian kecil postingan viral bisa 10-40x lipat postingan biasa. Tanpa transformasi ini, K-Means akan mengisolasi postingan viral itu sendirian jadi cluster-nya sendiri, bukan tier Rendah/Sedang/Tinggi yang berguna.
log_value = ln(1 + nilai_asli)
Contoh dari data ini: 1.205 Suka → ln(1+1.205) = 7,095
2Standardisasi (Z-score)
Setelah log, tiap fitur diubah ke skala rata-rata 0 memakai mean & standar deviasi dari seluruh data yang sedang ditampilkan (41 postingan):
z = (log_value − mean) / std
| Fitur | Mean (log) | Std (log) |
|---|---|---|
| Suka | 3,779 | 1,190 |
| Komentar | 0,993 | 1,218 |
| Bagikan | 0,000 | 1,000 |
3K-Means++ Cari Centroid
Titik pusat awal dipilih (k-means++), lalu tiap postingan di-assign ke centroid terdekat dan centroid dipindah ke rata-rata anggotanya — diulang sampai stabil. Diulang 12 kali dari titik awal berbeda, hasil dengan inertia (total jarak² ke centroid) terkecil dipakai:
Inertia terpilih: 35,64
| Tier | Avg Suka | Avg Komentar | Avg Bagikan |
|---|---|---|---|
| Engagement Rendah | 29,3 | 0,7 | 0,0 |
| Engagement Tinggi | 262,3 | 23,0 | 0,0 |
Centroid di atas adalah hasil balik dari koordinat standar ke satuan asli — begitulah bentuk “postingan rata-rata” di tiap tier.
4Assign ke Cluster Terdekat
Contoh nyata — postingan dengan total impresi tertinggi di data ini (1.205 suka, 52 komentar, 0 bagikan). Setelah log+standardisasi, jarak Euclidean-nya ke tiap centroid dihitung, lalu diassign ke yang terpendek:
| Tier | Jarak ke centroid |
|---|---|
| Engagement Rendah | 4,184 |
| Engagement Tinggi | 1,434 ← terpendek, terpilih |
Kenapa tier bisa berganti nama saat k diubah? K-Means sendiri tidak tahu mana cluster “rendah” atau “tinggi” — label itu ditentukan belakangan dengan mengurutkan centroid berdasarkan jumlah koordinat standarnya, dari yang terkecil (Rendah) ke terbesar (Tinggi). Silhouette score mengukur seberapa rapi pemisahannya: untuk setiap postingan, bandingkan jarak rata-rata ke sesama anggota cluster (a) dengan jarak rata-rata ke cluster tetangga terdekat (b), lalu (b−a)/max(a,b) — dirata-rata ke semua postingan. Skor mendekati 1 berarti cluster terpisah rapi; mendekati 0 berarti banyak yang tumpang tindih.