Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPerkembangan Internet di Indonesia cukup pesat, hal ini ditandai dengan meningkatnya penggunaan jejaring sosial, khususnya Twitter. Untuk mengetahui pandangan masyarakat terhadap suatu pemerintahan dapat digunakan analisis sentimen menggunakan data Twitter. Penelitian ini melakukan analisis sentimen terhadap pemerintahan Jokowi dalam bidang politik, ekonomi dan hukum. Metode untuk mengklasifikasikan sentimen pada tweet berdasarkan kamus leksikon. Data twitter dikumpulkan selama satu bulan dari tanggal 1 sampai 31 Oktober 2015 berjumlah 6489, 3967 dan 8018 untuk bidang politik, ekonomi dan hukum. Pengklasifikasian twitter menjadi tiga kelompok, positif, negatif dan netral. Secara umum hasil uji coba menunjukkan bahwa sebagian besar data twitter diklasifikasikan sebagai netral. Jika dilihat hanya sentimen positif dan sentimen negatif maka untuk bidang politik dan ekonomi sentimen positif lebih tinggi, sedangkan untuk bidang hukum sentimen negatif lebih tinggi.

---

ABSTRACT

The development of the Internet in Indonesia is quite rapid, it is marked by the increasing use of social networks, especially Twitter. To find out the public?s view of a government may use sentiment analysis using Twitter data. This research analyzes citizen sentiment to Indonesian government in the fields of politics, economics and law. The method to classify sentiment in a tweet based on lexicon of those fields. We collect data Twitter during one month in October 2015, the number of data are 6489, 3967 and 8018 for the fields of politics, economics and law, respectively. We classify the data into three groups: positive, negative and neutral. In general, results of experiments showed that most of the data twitter classified as neutral. When only include positive and negative sentiment, there is higher positive sentiment on politics and economic fields, while negative sentiment higher for the laws field."

"Prediksi pasar saham merupakan topik yang banyak dibahas di berbagai bidang. Banyakpenelitian, terutama di bidang teknologi informasi, telah menggunakan algoritmapembelajaran mesin untuk meningkatkan akurasi prediksi pasar saham. Penelitian inibertujuan untuk menilai efektivitas prediksi kinerja pasar saham dengan menggabungkansentimen media sosial Twitter dengan data historis. Selain itu, penelitian ini menggunakan algoritma LSTM untuk melatih model prediksi harga saham masing-masing bank. Model ini dilatih dengan dataset yang mencakup harga saham historis bank dan nilai sentimen dari postingan media sosial Twitter. Hasil evaluasi performa modeldengan data historis paling baik dimiliki oleh model prediksi Bank BRI yaitu memiliki nilai R-square dan RMSE sebesar 0.76 dan 69.47. Selain itu, model prediksi Bank BRIjuga memiliki model yang paling baik apabila terdapat tambahan fitur sentimen yaitumemiliki nilai R-square dan RMSE sebesar 0.75 dan 70.51. Kedua model tersebut kemudian diuji beda dengan menggunakan paired t-test, dan hasil pengujian tersebut menghasilkan nilai t yang kurang dari tingkat signifikansi (0.05), sehingga mengindikasikan bahwa populasi distribusi model yang berbeda. Hal ini juga memberikan bukti yang cukup kuat bahwa populasi model prediksi yang menggunakan tambahan sentiment feature tidak berpengaruh signifikan dalam model prediksi.

---

Stock market prediction is a widely discussed topic across various fields. Many studies,

particularly in the field of information technology, have employed machine learning algorithms to enhance the accuracy of stock market predictions. This research aims to evaluate the effectiveness of predicting stock market performance by combining social media sentiment from Twitter with historical data. Additionally, this study uses the LSTM algorithm to train stock price prediction models for each banks. The models are trained with datasets that include historical stock prices and sentiment values from Twitter posts.

The evaluation results show that the best-performing model using historical data is for Bank BRI, with an R-square value of 0.76 and an RMSE of 69.47. Furthermore, the Bank BRI prediction model aso performs best when sentiment features were added, with an R-square value of 0.75 and an RMSE of 70.51. These two models were then compared using a paired t-test, and the results indicated that the t-value was less than the significance level(0.05), suggesting that the distributions of the models are significantly different. This provides strong evidence that incorporating sentiment features does not have a significant impact on the prediction models."

"Kampanye merupakan salah satu momen dalam pemilu yang paling ditunggu. Masa kampanye adalah saat dimana calon kepala daerah memperkenalkan diri kepada masyarakat luas, terutama visi dan misinya. Untuk mengetahui pandangan masyarakat terhadap suatu kampanye politik digunakan analisis sentimen menggunakan data Twitter. Penelitian ini melakukan analisis sentimen terhadap kampanye politik pasangan calon gubernur dan wakil gubernur DKI Jakarta tahun 2017. Program yang digunakan untuk klasifikasi yaitu sentiStrength dengan menggunakan pendekatan berbasis leksikon. Dataset yang digunakan untuk klasifikasi yaitu kicauan tweet pengguna yang ditujukan untuk to membalas kicauan akun ofisial calon gubernur dan wakil gubernur, dan kicauan yang menyebut mention akun ofisial calon gubernur dan wakil gubernur pada saat masa kampanye putaran 1 dari tanggal 28 Oktober 2016 sampai 11 Februari 2017 dengan total kicauan yang terkumpul sebanyak 158.517 kicauan dan putaran 2 dari tanggal 7 Maret sampai 15 April 2017 dengan total kicauan yang terkumpul sebanyak 117.074 kicauan. Pengklasifikasian terbagi menjadi 3 kelas yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa secara umum sentimen positif mendominasi sentimen negatif untuk tiap-tiap calon gubernur dan wakil gubernur, dan hasil perolehan sentimen positif di media sosial Twitter dengan hasil perolehan suara yang didapat oleh pasangan calon gubernur dan wakil gubernur DKI Jakarta 2017 baik pada putaran 1 maupun 2 memiliki urutan yang sama.

---

The campaign is one of the most awaited moments in elections. The campaign period is the time when the candidate head of the region introduces himself to the public, especially his vision and mission. To find out the public view of a political campaign used sentiment analysis using Twitter data. This study analyzes the sentiment toward the political campaign of candidate pair of governor and vice governor of DKI Jakarta in 2017. The program used for classification is sentiStrength by using lexicon based approach. The dataset used for classification is the tweets of users intended to respond to the tweets of the official accounts of candidates for governors and vice governors, and tweets that mention the official accounts of candidates for governor and vice governor during the campaign period round 1 from October 28, 2016 to February 11, 2017 with a total of tweets gathered as many as 158,517 tweets, and round 2 from March 7 to April 15, 2017 with a total tweet gathered 117,074 tweets. Classification is divided into 3 classes of positive, negative, and neutral. The results showed that in general the positive sentiment dominates the negative sentiment for each candidate of governor and vice governor, and the result of positive sentiments in social media Twitter with the result of vote earned by the couple of candidates for governor and vice governor of DKI Jakarta 2017 both on round 1 and 2 have the same order. "

"Perkembangan media sosial telah berkembang pesat, tidak hanya sebagai alat komunikasi sosial antar individu. Fungsi dan kegunaannya semakin berkembang serta banyak dimanfaatkan organisasi swasta maupun pemerintah untuk mengukur tingkat layanan. Ditjen Imigrasi selaku organisasi pemerintah merupakan salah satu organisasi yang memanfaatkan media sosial, salah satu fungsinya untuk mengetahui apakah layanan yang diberikan telah diterima dengan baik oleh masyarakat. Selain melalui media sosial, Imigrasi juga telah meluncurkan aplikasi M-Paspor di platform Google Play Store, di platform tersebut Imigrasi juga dapat mengetahui tingkat efektivitas dari aplikasi yang telah diluncurkan. Berdasarkan survei yang dilakukan oleh Balitbangham yang merupakan internal dari Kemenkumham, layanan yang diberikan oleh imigrasi mendapat nilai sangat baik, namun faktanya pada media sosial maupun google play store banyak komentar maupun ulasan yang kurang puas dengan pelayanan pihak imigrasi. Hal tersebut menjadi kontradiksi antara hasil survei Balitbangham dan data di media sosial. Namun, akan sulit untuk melakukan analisis data media sosial dikarenakan jumlah yang banyak. Oleh karena itu, perlu dilakukan untuk mengusulkan sistem untuk melakukan analisis sentimen menggunakan data teks komentar dan ulasan. Sehingga pihak Imigrasi dapat mengambil langkah terbaik untuk dapat memperbaiki layanan yang masih belum maksimal. Dataset yang digunakan berupa data yang diambil dari media sosial Twitter dan Instagram serta ulasan pada Google Play Store. Hasil penelitian menunjukan jika fitur ekstraksi TF-IDF Unigram yang dipadukan dengan algoritma Support Vector Machine (SVM) serta SMOTE menghasilkan performa paling tinggi dibandingkan dengan nave Bayes (NB) maupun Random Forest (RF). dalam melakukan klasifikasi, SVM menghasilkan dengan hasil Precision 72%, Recall 69%, Accurasy 69, serta F1-Score sebesar 68%. Model tersebut dapat digunakan Imigrasi untuk mengetahui umpan balik pelayanan dari masyarakat yang dapat digunakan sebagai pertimbangan dalam melakukan perbaikan pelayanan serta merumuskan strategi pelayanan oleh Direktorat terkait agar pelayanan lebih efisien untuk kedepannya. Sehingga, Imigrasi akan mampu dengan cepat merespon kendala yang dihadapai oleh masyarakat.

---

The development of social media has grown rapidly, not only as a means of social communication between individuals. Its functions and uses are growing and are widely used by private and government organizations to measure service levels. The Directorate General of Immigration as a government organization is one of the organizations that utilizes social media. Its function is to find out whether the services provided have been well received or not by the public. Apart from social media, Immigration has also launched the M-Passport application on the Google Play Store platform, on the platform, Immigration officials can also find out the effectiveness of the applications that have been launched. Based on a survey conducted by Balitbangham which is internal to the Ministry of Human Rights, the services provided by immigration get a very good score, but the fact is that on social media and the Google Play Store some many comments and reviews are not satisfied with the services of the immigration authorities. This is a contradiction between the results of the Balitbangham survey and data on social media. However, it will be difficult to analyze social media data due to the large number. Therefore, it is necessary to propose a system to perform sentiment analysis using commentary and reviewing text data. So that Immigration can take the best steps to be able to improve services that are still not optimal. The dataset used is in the form of data taken from social media Twitter and Instagram as well as reviews on the Google Play Store. The results show that the TF-IDF Unigram extract feature combined with the Support Vector Machine (SVM) and SMOTE algorithms produces the highest performance compared to Naïve Bayes (NB) and Random Forest (RF). In classifying, SVM produces 72% Precision, 69% Recall, 69% Accuracy, and 68% F1-Score. This model can be used by Immigration to find out service feedback from the community as a consideration in making service improvements and formulating more efficient service strategies for the future. Thus, Immigration will be able to quickly respond to the obstacles faced by the community."

"ABSTRAKSkripsi ini bertujuan untuk mengetahui kepuasan pelanggan layanan data operator CDMA di Indonesia dengan menggunakan pesan tweet sebagai data kepuasan pelanggan real time. Data tersebut diolah menggunakan text mining dan sentiment analysis dengan membuat model klasifikasi teks. Tingkat akurasi model yang dibuat untuk memprediksi sentimen dari pesan tweet mencapai 80 %. Hasil penelitian menunjukkan bahwa pelanggan data operator CDMA di Indonesia baik secara umum maupun pada masing-masing operator cenderung tidak puas dengan layanan data yang diberikan. Secara umum kriteria kemudahan koneksi paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA di Indonesia. Sedangkan kriteria kemudahan koneksi paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA 1. Kemudian kriteria kemudahan koneksi dan kehandalan jaringan paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA 2.

---

ABSTRACTThis thesis aims to gain insight of customer satisfaction of Indonesian CDMA data services operators by using tweets as real time customer satisfaction data. The data is processed using text mining and sentiment analysis by creating text classification model. The model accuracy to predict sentiment of a tweet achieve 80%. The results showed that Indonesia CDMA data subcribers in general or to individual operators tend to not satisfied with the service provided. Connection easiness criteria most influencing customer dissatisfaction of Indonesia CDMA data service operators in general. While, the connection easiness criteria most influencing customer dissatisfaction of CDMA data service operator 1. Then, Connection easiness and network reliability criteria most influencing customer dissatisfaction of CDMA data service operator 2."

"Peran internet semakin penting dalam berbagai aspek kehidupan masyarakat. Kebutuhan akan internet menjadi peluang bagi penyedia internet, salah satunya Telkom dengan IndiHome. Sebagai BUMN, Telkom berperan sebagai penyedia layanan internet untuk memenuhi kebutuhan masyarakat. Berdasarkan survei kepuasan pelanggan tahun 2019 dan 2020, NPS IndiHome tidak mencapai target. Dari target besar atau sama dengan 5, tahun 2019 dan 2020, NPS IndiHome sebesar -1,67 dan 2,87. Hal ini karena pengerjaan permasalahan masih berdasarkan laporan, belum memiliki cara untuk mengetahui permasalahan yang terjadi dan belum memanfaatkan opini media sosial karena masih memanfaatkan survei. Penelitian ini membangun model analisis sentimen dam topic modelling IndiHome pada twitter & instagram. Data diambil dari bulan Maret 2019-April 2021. Model yang dihasilkan menggunakan metode SVM, twitter akurasi 70,13% dan instagram akurasi 73,55%. Sentimen mayoritas negatif, nilai NPS -79,49 pada twitter dan -56,12 pada Instagram. Dari twitter & instagram respons terhadap IndiHome memiliki indeks negatif, dimana masyarakat tidak puas dengan IndiHome. Hasil Topik diskusi negatif yaitu internet IndiHome mati mendadak, internet IndiHome lamban, internet IndiHome mati ketika terjadi hujan, biaya IndiHome mahal, pelayanan IndiHome tidak responsif, pelayanan IndiHome tidak solutif, sudah bayar internet diisolir, janji temu teknisi tidak sesuai waktu, dan ingin berhenti berlangganan atau pindah provider.

---

The role of the internet is increasingly important in various aspects of people's lives. The need for internet is an opportunity for internet providers, one of which is Telkom and IndiHome. As a BUMN, Telkom acts as a provider of internet services to meet the needs of the community. Based on customer satisfaction surveys in 2019 and 2020, IndiHome's NPS did not reach the target. Of the large target or equal to 5, in 2019 and 2020, IndiHome's NPS is -1.67 and 2.87. This is because the problem solving is still based on reports, does not have a way to find out the problems that occur and has not used social media opinions because they are still using surveys. This study builds a sentiment analysis model and IndiHome topic modeling on Twitter & Instagram. The data was taken from March 2019-April 2021. The resulting model used the SVM method, twitter 70.13% accuracy and instagram 73.55% accuracy. The majority sentiment is negative, the NPS score is -79.49 on Twitter and -56.12 on Instagram. From Twitter & Instagram, the response to IndiHome has a negative index, where people are not satisfied with IndiHome. The results of the negative discussion topics are IndiHome internet shuts down suddenly, IndiHome internet is slow, IndiHome internet shuts down when it rains, IndiHome costs are expensive, IndiHome services are unresponsive, IndiHome services are not solutive, already paid for the internet is isolated, technician appointments are not on time, and want to stop subscribe or switch providers."

"Artificial Intelligence (AI) didefinisikan sebagai teknologi yang memungkinkan mesin untuk dapat meniru berbagai keterampilan kompleks dari manusia di mana penggunaannya memiliki potensi yang besar. AI dapat digunakan salah satunya di tempat kerja untuk membantu menyelesaikan pekerjaan yang ada. Namun, tentunya dengan adanya penggunaan AI di tempat kerja menghadirkan kekhawatiran seperti contohnya dapat digantikannya manusia dengan AI. Berdasarkan masalah tersebut, terdapat akar masalah yang diidentifikasi yaitu adanya opini negatif yang berkembang di masyarakat tentang dampak penggunaan AI di tempat kerja. Oleh sebab itu, dilakukan analisis sentimen terhadap opini masyarakat pada penelitian ini yang bertujuan untuk mengetahui model terbaik untuk mengklasifikasikan sentimen, topik-topik yang menjadi pembahasan dalam masing-masing sentimen, perubahan tren sentimen seiring waktu, dan rekomendasi yang dapat diberikan pada pihak terkait berdasarkan analisis. Data yang digunakan pada penelitian ini merupakan data Twitter yang berupa tweets yang membahas tentang penggunaan AI di tempat kerja dengan periode Januari 2022 sampai Mei 2024. Metode analisis yang digunakan pada penelitian ini adalah metode machine learning untuk analisis sentimen dan Latent Dirichlet Allocation (LDA) untuk pemodelan topik. Kontribusi teoritis penelitian ini adalah pengembangan analisis sentimen dan pemodelan topik pada tweets yang membahas tentang penggunaan AI khususnya di tempat kerja. Analisis menghasilkan model dengan algoritme Logistic Regression (LR) sebagai model dengan performa terbaik. Selain itu, hasil juga menunjukkan terdapat beberapa topik utama yang dibahas pada masing-masing sentimen dengan terdapatnya 10 topik pada sentimen negatif, 10 topik pada sentimen positif, dan 5 topik pada sentimen netral. Pada analisis tren terdapat beberapa temuan seperti sentimen netral dengan fluktuasi yang cukup stabil dan sentimen positif dan negatif yang memiliki fluktuasi tinggi pada bulan-bulan tertentu. Rekomendasi untuk dapat meredakan opini buruk dan kekhawatiran masyarakat dan pekerja dengan adanya AI di tempat kerja dapat dibuat regulasi dan hukum yang spesifik mengenai penggunaan AI di tempat kerja berdasarkan dari hal-hal yang menjadi topik pembicaraan pada sentimen negatif. Lalu, masyarakat juga dapat menggunakan AI di tempat kerja dengan bertanggung jawab. Selain itu, pemberi kerja juga dapat melakukan adaptasi teknologi dengan bijak dan menerapkan aturan dalam internal perusahan untuk dapat menjaga data internal perusahaan.

---

Artificial Intelligence (AI) is defined as a technology that enables machines to mimic various complex human skills, with significant potential for its applications. One notable use of AI is in the workplace to assist in completing tasks. However, the use of AI in the workplace raises concerns, such as the potential for AI to replace human workers. Based on this issue, a core problem identified is the negative perception prevalent in society about the impact of AI in the workplace. Therefore, this research conducts a sentiment analysis of public opinion to determine the best model for classifying sentiments, identify the main topics discussed within each sentiment, analyze the trend changes in sentiments over time, and provide recommendations to relevant stakeholders based on the analysis. The data used in this research consists of Twitter data, specifically tweets discussing the use of AI in the workplace, spanning from January 2022 to May 2024. The analytical methods employed in this research include machine learning techniques for sentiment analysis and Latent Dirichlet Allocation (LDA) for topic modeling. The theoretical contribution of this research is the development of sentiment analysis and topic modeling for tweets discussing the use of AI specifically in the workplace. The analysis results identified the Logistic Regression (LR) algorithm as the best-performing model. Additionally, the results revealed several key topics discussed within each sentiment, with 10 topics in negative sentiment, 10 topics in positive sentiment, and 5 topics in neutral sentiment. The trend analysis yielded several findings, such as the relatively stable fluctuations in neutral sentiment and the high fluctuations in positive and negative sentiments during certain months. Recommendations to alleviate public and employee concerns regarding the presence of AI in the workplace include establishing specific regulations and laws governing its use based on issues that are commonly discussed in negative sentiments. Furthermore, the public should responsibly engage with AI in the workplace. Additionally, employers can prudently adapt to technology and enforce internal rules to safeguard corporate data."

"Analisis sentimen adalah studi komputasi yang bertugas mengelompokkan sentimen atau opini dari teks yang ada dalam dokumen, kalimat, atau pendapat ke kelas sentimen positif, negatif, atau netral. Terdapat banyak model deep learning yang terkenal untuk analisis sentimen, dua di antaranya adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), yang termasuk dalam Recurrent Neural Network (RNN). Bidirectional Gated Recurrent Unit (BiGRU) merupakan bagian dari Bidirectional Recurrent Neural Network (BiRNN) yang dapat bekerja secara dua arah dan memungkinkan untuk menangkap pola yang mungkin diabaikan oleh GRU. Untuk meningkatkan kinerja model menjadi lebih baik, beberapa peneliti mencoba menerapkan model hybrid dengan menggabungkan dua atau lebih model deep learning dasar. CNN memiliki keunggulan dalam mendapatkan fitur terpenting, sedangkan BiGRU dapat merepresentasikan kata dengan memperhatikan urutan dengan dua arah. Kedua model tersebut dapat digabungkan menjadi model CNN-BiGRU dan BiGRU-CNN. Implementasi kedua model dilakukan untuk data opini yang diambil dari Twitter mengenai tiga dompet digital, yaitu Gopay, OVO, dan ShopeePay. Hasil penelitian didapat bahwa kedua model memiliki kinerja yang berbeda untuk setiap dataset. Kemudian, didapat bahwa kedua model tersebut memiliki nilai akurasi dan f1 score yang tidak lebih tinggi dibandingkan model dasarnya.

---

Sentiment analysis is a computational study that is used to classify sentiments or opinions from texts in documents, sentences, or opinions into positive, negative, or neutral sentiment classes. There are many well-known deep learning models for sentiment analysis, two of which are the Convolutional Neural Network (CNN) and the Gated Recurrent Unit (GRU), which are included in the Recurrent Neural Network (RNN). The Bidirectional Gated Recurrent Unit (BiGRU) is part of the Bidirectional Recurrent Neural Network (BiRNN) which can work in both directions and allows for capturing patterns that the GRU might ignore. To improve model performance, some researchers are trying to implement a hybrid model by combining two or more basic deep learning models. CNN has the advantage of getting the most important features, while BiGRU can represent words by paying attention to the order in two directions. The two models can be combined into CNNBiGRU and BiGRU-CNN models. The implementation of the two models is used for opinion data taken from Twitter regarding three digital wallets, namely Gopay, OVO, and ShopeePay. The results showed that the two models have different performances for each dataset. Then, it was found that both models have an accuracy value and an f1 score that is not higher than the basic model."

"E-commerce merupakan kontributor utama ekonomi digital Indonesia, tetapi statistik menunjukkan adanya peningkatan jumlah keluhan dan insiden penipuan terkait e-commerce yang berakibat kepercayaan masyarakat terhadap e-commerce menurun. Salah satu akar permasalahan yang diidentifikasi yaitu maraknya opini negatif publik yang cenderung mendorong pelanggan untuk tidak menggunakan layanan e-commerce. Oleh karena itu, penelitian ini menganilisis sentimen publik dengan tujuan mengetahui model terbaik untuk mengklasifikasikan sentimen, tren sentimen dari waktu ke waktu, topik utama yang melandasi sentimen tersebut, serta rekomendasi berdasarkan analisis. Penelitian ini menggunakan data dari Twitter dengan periode tweet dari Agustus hingga Oktober 2023, berfokus pada tiga e-commerce terbesar di Indonesia. Pada tahap analisis, metode machine learning untuk analisis sentimen dan Latent Dirichlet Allocation (LDA) untuk pemodelan topik diimplementasikan. Hasil penelitian menunjukkan bahwa model terbaik untuk mengklasifikasikan sentimen adalah Support Vector Machine (SVM) dengan temuan yaitu sentimen netral mendominasi, sentimen negatif stabil dengan beberapa peningkatan, sementara sentimen positif lebih bervariasi, terdapat lonjakan di beberapa titik. Topik utama sentimen positif berkaitan dengan proses belanja menyenangkan, fitur inovatif, event khusus, harga dan penawaran murah, serta dukungan terhadap produk lokal di e-commerce. Sentimen negatif berpusat pada isu ketidaksesuaian barang, pengembalian dana, pengiriman barang, dan layanan pelanggan. Rekomendasi untuk meningkatkan kepuasan pelanggan mencakup memperkuat aspek-aspek yang memicu sentimen positif, serta menangani permasalahan yang memicu sentimen negatif, seperti perbaikan proses pengiriman, dan penguatan langkah-langkah keamanan untuk mengatasi penipuan.

---

E-commerce plays a vital role in Indonesia's digital economy, but statistics reveal an increase in complaints and fraud incidents associated with e-commerce, leading to a decline in public trust. One identified root issue is the prevalence of negative public opinions, discouraging customers from using e-commerce services. Therefore, this study analyzes public sentiment with the aim of determining the best model for sentiment classification, understanding sentiment trends over time, identifying key topics underlying these sentiments, and providing recommendations based on the analysis. The study utilizes Twitter data from August to October 2023, focusing on the three largest e-commerce platforms in Indonesia. In the analysis phase, machine learning methods for sentiment analysis and Latent Dirichlet Allocation (LDA) for topic modeling are implemented. The findings indicate that the Support Vector Machine (SVM) is the best model for sentiment classification. Neutral sentiment dominates, negative sentiment remains stable with occasional increases, while positive sentiment is more varied, experiencing spikes at certain points. Key topics associated with positive sentiment include enjoyable shopping experiences, innovative features, special events, affordable pricing, and support for local products in e-commerce. Negative sentiment revolves around issues of product mismatch, refund processes, shipping concerns, and customer service. Recommendations to enhance customer satisfaction involve strengthening aspects that trigger positive sentiments and addressing issues causing negative sentiments, such as improving the delivery process and reinforcing security measures to tackle fraud."

"Komisi Pemberantasan Korupsi (KPK) memiliki kewenangan dalam melakukan pendaftaran dan pemeriksaan terhadap Laporan Harta Kekayaan Penyelenggara Negara (LHKPN). Pelaporan ini berfungsi untuk melakukan pengawasan kejujuran, integritas, dan deteksi kemungkinan adanya tindakan memperkaya diri secara melawan hukum oleh pejabat publik. Publikasi LHKPN sering menimbulkan prasangka negatif dan kecurigaan publik terhadap laporan harta kekayaan pejabat yang mengakibatkan kekhawatiran pejabat untuk melaporkan harta kekayaan secara lengkap dan benar. Persepsi ini menjadi kontraproduktif dengan upaya pencegahan korupsi yang dilakukan oleh KPK apabila tidak direspon dengan cepat. Penelitian ini bertujuan untuk membuat model analisis sentimen dan pemodelan topik yang dapat mengeksplorasi topik dari data media sosial Twitter. Indonesia memiliki jumlah pengguna aktif terbesar keenam di dunia dengan 15,7 juta pengguna yang didominasi kelompok usia 25-34 tahun. Dataset sejumlah 881 data diambil dari Twitter dengan kata kunci "lhkpn" dan "harta kekayaan pejabat" pada periode 1 Agustus sampai 5 November 2021. Penelitian ini mengekplorasi beberapa algoritma klasifikasi, representasi fitur unigram, bigram, dan trigram dengan CountVectorizer dan TFIDF, serta metode oversampling SMOTE. Algoritma klasifikasi dengan performa paling baik pada penelitian ini adalah Multilayer Perceptron dengan fitur unigram CountVectorizer dan metode oversampling dengan accuracy 76,60%, precision 78,19%, recall 76,60%, dan F1 score 76,95%. Hasil pemodelan topik menggunakan Latent Dirichlet Allocation pada kategori ‘negatif’ didominasi ekspresi kekecewaan dan kemarahan masyarakat terhadap meningkatnya harta kekayaan pejabat selama masa pandemi Covid-19 yang berbanding terbalik dengan meningkatnya utang negara dan kesulitan yang dihadapi masyarakat selama pandemi. Topik yang dihasilkan pada kategori ‘positif’ cukup beragam mulai dari aturan untuk melakukan pembuktian terbalik, usulan mengenai kewajiban pelaporan dan sanksi, permintaan untuk membuka laporan kekayaan kepada publik, serta pembahasan mengenai kewajaran penambahan harta kekayaan yang disebabkan oleh meningkatnya nilai aset tidak bergerak.

---

The Corruption Eradication Commission (KPK) has the authority to register and examine Public Officials Wealth Reports (LHKPN). This report serves to monitor honesty, integrity, and detect the possibility of illegal enrichment by public officials. Publication of LHKPN often creates negative prejudice and public suspicion of official wealth reports, which causes officials to worry about reporting assets completely and correctly. This perception is counterproductive to the efforts to prevent corruption carried out by the KPK if it is not responded to quickly. This study aims to create a sentiment analysis model and topic modelling that can explore topics from Twitter social media data. Indonesia has the sixth-largest number of active users in the world with 15.7 million users, dominated by the 25-34 year age group. A dataset of 881 data was taken from Twitter with the keywords "lhkpn" and "official assets" in the period August 1 to November 5, 2021. This study explores several classification algorithms, representation of unigram, bigram, and trigram features with CountVectorizer and TFIDF, as well as SMOTE oversampling methods. The classification algorithm with the best performance is the Multilayer Perceptron with the unigram CountVectorizer feature and the oversampling method with 76.60% accuracy, 78.19% precision, 76.60% recall, and 76.95% F1 score. The results of topic modelling using Latent Dirichlet Allocation in the 'negative' category are dominated by expressions of public disappointment and anger towards the increase in official wealth during the Covid-19 pandemic which is inversely proportional to the increase in state debt and the difficulties faced by the community during the pandemic. The topics generated in the 'positive' category are quite diverse, starting from the rules for conducting reverse verification, proposals on reporting obligations and sanctions, requests to disclose wealth reports to the public, as well as discussions on the reasonableness of adding to assets caused by the increase in the value of immovable assets."