Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini dibuat dengan tujuan untuk menguak apa saja motivasi di balik keraguan vaksinasi. Respon tersebut merupakan respon maladaptif yang dapat dipelajari juga berdasarkan Protection Motivation Theory (PMT). Selain itu, penelitian ini juga dibuat untuk menghasilkan rekomendasi terhadap tindakan intervensi yang dapat dilakukan pemerintah dan regulator kesehatan lainnya. Penelitian ini dilakukan terhadap media sosial Twitter Indonesia. Sebagai bagian dari penelitian ini, sebuah Sistematic Literature Review (SLR) telah dilakukan terhadap enam basis data yang dipercaya. Dari 20 studi sebelumnya yang dihasilkan, dilakukan sintesis terhadap topik dan metode yang digunakan, serta topik yang ditemukan dari penelitian terdahulu untuk dimanfaatkan di dalam penelitian. Data Twitter dikumpulkan dengan menggunakan SNScrape dengan kata kunci "vaksinasi atau vaksin" pada periode 11 November 2020, 1 bulan sebelum masuknya vaksin ke Indonesia, hingga 30 April 2022. Hasil analisis sentimen menunjukkan hasil yang sesuai dengan penelitian sebelumnya, dimana pembicaraan tentang vaksinasi selalu dibayang-banyangi oleh keraguan vaksinasi dengan porsi yang sedikit di bawah data dengan sentimen positif. Motivasi yang ditemukan dari penggalian topik telah dipetakan terhadap kategori penyebab keraguan vaksinasi pada level individu, micro-social, intermediate-social, dan macro-social. Dari keempat kategori tersebut, topik tentang macro- social terkait kehalalan vaksin dari segi agama tidak ditemukan pada penelitian sebelumnya. Berbagai rekomendasi telah disusun berdasarkan hasil penggalian topik. Rekomendasi tersebut ada yang berada pada tingkatan strategis dan praktikal dari sisi Teknologi Informasi. Adanya portal informasi yang lengkap dan terintegrasi, serta penyebaran vaksin dengan membuat model prediksi kebutuhan vaksin akan menunjang peningkatan respons adaptif terhadap anjuran vaksinasi.

---

This study was made with the aim of uncovering what are the motivations behind vaccination doubts. This maladaptive response was studied based on the Protection Motivation Theory (PMT). In addition, this research is also made to produce recommendations on intervention actions that can be carried out by the government and other health regulators. This research was conducted on Indonesian Twitter. As part of this research, a Systematic Literature Review (SLR) was conducted on six trusted databases. From the 20 previous studies produced, a synthesis was carried out on the topics and methods used, as well as topics founded from previous studies to be used in research. Twitter data was collected using SNScrape with the keyword "vaccination or vaccine" within 11 November 2020, 1 month before the entry of vaccines into Indonesia, until 30 April 2022. The results of the sentiment analysis show results that are in accordance with previous research, where talk about vaccination is always shadowed by vaccine hesitancy, which was slightly below the numbers of positive sentiment data. The motivations found from the topic exploration have been mapped into individual, microsocial, intermediate-social, and macro-social levels. Of the four categories, the topic of macro-social related to the halalness of vaccines in terms of religion was not found in previous studies. Some practical recommendation had been proposed, included strategic and practical recommendation. Utilizing both integrated more complete information portal and a prediction- based distribution model would bring up the adaptive response toward vaccination."

"Kondisi pandemi saat ini membuat proses dan kegiatan belajar mengajar di Indonesia harus dilakukan secara daring menggunakan media digital. Proses pembelajaran secara daring ini berlangsung pada skala yang memang belum pernah terukur dan teruji sebelumnya. Kesenjangan akses pendidikan pun terjadi karena tidak setiap daerah di indonesia memiliki sarana dan prasarana serta pengetahuan akan teknologi yang memadai untuk keberlangsungan proses pembelajaran secara daring. Analisis sentimen terhadap pembelajan daring melalui twitter dapat membantu pemerintah dalam hal mengevaluasi kebijakan dan memperbaiki kualitas kebijakan-kebijakan yang tengah diterapkan saat ini.Desain penelitian yang digunakan pada penelitian ini adalah Experimental research, dimana analisis sentimen yang dilakukan pada penelitian ini menggunakan dua metode berbeda, yaitu metode deep learning (CNN) dan metode tradisional (naïve bayes). Klasifikasi sentimen dibagi menjadi 3 kelas yaitu negatif, positif, dan netral. Selain itu model juga dibangun untuk mendeteksi tweets yang bersifat tidak relevan terhadap konteks penelitian terhadap sentimen pembelajaran daring. Hasil analisis sentimen yang dibangun menggunakan model CNN yang memiliki akurasi 63,34%. Sedangkan model yang dibangun menggunakan metode naïve bayes memiliki akurasi 63%. Hasil Analisis sentimen masyarakat dari bulan april hingga oktober 2020, menunjukkan sentimen masyarakat yang cenderung negatif dibandingkan positif dan netral.Pemodelan topik dibangun menggunakan metode Latent Dirichlet Allocation (LDA) untuk menemukan isu dan topik yang menjadi perhatian masyarakat di sosial media twitter. Topik negatif yang didapatkan dari sentimen negatif terhadap pembelajaran daring antara lain berisi keluhan siswa mengenai tugas yang menumpuk, jaringan dan koneksi internet yang tidak stabil, dan keinginan untuk menjalani proses pembelajaran secara offline kembali. Sedangkan topik positif didapatkan dari sentimen positif terhadap pembelajaran daring yang secara garis besar berisi ungkapan kesenangan dan syukur atas kebijakan pemberian subsidi kuota internet gratis yang diberikan pemerintah untuk pelajar maupun mahasiswa.

---

The current pandemic condition makes several school and universities in Indonesia implements teaching and learning activities form distance or online using digital platform. This online learning process takes place on a scale that has never been measured and tested before. The disparity in access to education also occurs because not every region in Indonesia has adequate facilities, infrastructure, and technological knowledge for the continuity of the online learning process. Sentiment analysis on twitter towards the online learning, could assist the government in evaluating policies and improving the quality of policies currently being implemented.

The research design used in this study is experimental research, where the sentiment analysis uses two different methods, namely the deep learning method (CNN) and the traditional method (naïve Bayes). Sentiment classification is divided into 3 classes, namely negative, positive, and neutral. In addition, a model was also built to detect tweets that are irrelevant to the context of the research on online learning sentiment. The results of the sentiment analysis, were built using the CNN model, has an accuracy of 63.34%. Meanwhile, the model built using the naïve Bayes method has an accuracy of 63%. The results of the analysis of public sentiment from April to October 2020, on online learning process, show sentiments that tend to be negative compared to positive and neutral.

Topic modeling was built using the Latent Dirichlet Allocation (LDA) method to find issues and public concern on twitter. Negative topics obtained from negative sentiment towards online learning described as following: student complaints about piling up tasks, unstable network and internet connections, and the desire to undergo the offline learning process again. Meanwhile, positive topics, were obtained from positive sentiments towards online learning, mostly contained expressions of pleasure towards the government which has providing free internet quota subsidies for students."

"Pandemi COVID-19 membuat banyak negara menyatakan wabah itu sebagai darurat nasional, termasuk Indonesia. Oleh karena itu, pemerintah negara Indonesia menerapkan PPKM hingga penularan COVID-19 mereda. Hal ini berlaku bagi semua tempat di Indonesia, termasuk perpustakaan. Banyak perpustakaan yang tutup sementara, namun tetap menjalankan segala kegiatannya secara online, salah satunya Perpustakaan Universitas Indonesia. Dalam penelitian ini, dibahas mengenai pemanfaatan media sosial Twitter di Perpustakaan Universitas Indonesia saat pandemi COVID-19. Tujuan dari penelitian ini untuk mendeskripsikan pemanfaatan Twitter sebagai media promosi perpustakaan di Perpustakaan Universitas Indonesia, serta mengidentifikasi kendala dan cara penyelesaian saat melakukan promosi perpustakaan menggunakan Twitter di masa pandemi COVID-19. Jenis penelitian yang digunakan adalah penelitian kualitatif dengan teknik pengumpulan data berupa wawancara dan observasi. Hasil penelitian menunjukkan pemanfaatan Twitter terhadap kegiatan promosi perpustakaan di Perpustakaan Universitas Indonesia saat Pandemi COVID-19 masih belum dimanfaatkan secara maksimal. Hal ini dapat diketahui dari hasil analisis peneliti bahwa promosi perpustakaan lebih banyak dilakukan di media sosial lain daripada Twitter karena banyak kendala jika harus mempromosikan melalui Twitter. Meskipun dengan adanya kendala tersebut, tidak menyurutkan semangat Humas Perpustakaan Universitas Indonesia untuk tetap mempromosikan perpustakaan melalui Twitter.

---

COVID-19 pandemic has made many countries declare the outbreak a national emergency, including Indonesia. The Indonesian government decided to implement PPKM until COVID-19 subsided. This applies to all places in Indonesia, including libraries. Libraries are temporarily closed, but still doing all their activities online, like the University of Indonesia Library. In this study, we discuss the use of Twitter in the University of Indonesia Library during the COVID-19. The purpose is to describe how to use Twitter for library promotion, identify obstacles, and how to solve them when promoting a library using Twitter at the University of Indonesia Library during the COVID-19. The type of research used is qualitative research with data collection techniques in interviews and observations. The results is the use of Twitter for library promotion at the University of Indonesia Library during the COVID-19 are still not fully utilized. The statement of the informant who said that library promotion was mostly done on other social media rather than Twitter because there were many obstacles when promoting through Twitter. Even with these obstacles, it did not dampen the enthusiasm of the PR of the University of Indonesia Library to continue promote the library through Twitter."

"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."

"Perpustakaan merupakan institusi yang berperan memberikan informasi yang dikemas dalam berbagai bentuk media. Informasi yang disajikan oleh perpustakaan sangat dibutuhkan pemustaka untuk memenuhi kebutuhan informasinya. Maka dari itu, dibutuhkan layanan prima perpustakaan yang berguna untuk memenuhi kebutuhan pemustaka. Namun di tengah era pandemi, kegiatan fisik menjadi suatu hambatan karena adanya protokol kesehatan yang menyebabkan layanan beralih ke bentuk digital. Perpustakaan harus melakukan inovasi layanan, salah satunya adalah pemanfaatan konten media sosial untuk menjangkau pemustaka. Perpustakaan FK UI memanfaatkan konten media sosial ini sebagai bagian inovasi layanan. Untuk melakukan promosi dan memastikan informasi tersampaikan kepada pemustaka melalui media sosial baik di twitter maupun instagram, dibutuhkan manajemen konten yang tepat. Tujuan penelitian ini adalah untuk mengetahui bagaimana Perpustakaan FK UI mengelola konten di media sosial untuk promosi dan memenuhi kebutuhan informasi pemustaka. Hal tersebut dikarenakan konten yang disajikan melalui media sosial merupakan gambaran sebuah perpustakaan. Metode penelitian adalah metode kualitatif dengan bentuk deskriptif. Pengumpulan data dilakukan dengan wawancara melalui zoom dan observasi dengan memantau media sosial. Hasil penelitian menunjukkan, bahwa manajemen konten media sosial yang dilakukan oleh Perpustakaan FK UI lebih diterapkan di media sosial twitter dan instagram. Pustakawan mengelola konten dari tahun sebelumnya kemudian konten sudah dikerjakan dengan matang pada satu bulan sebelum konten tersebut dibagikan pada pemustaka. Manfaat yang diberikan oleh media sosial terhadap Perpustakaan FK UI seperti memudahkan pengguna dan pemustaka menjadikan media sosial sebagai komponen penting.

---

Libraries are institutions that play a role in providing information packaged in various forms of media. The information presented by the library is needed by users to meet their information needs. Therefore, it takes excellent library services that are useful to meet the needs of users. However, in the midst of the pandemic era, physical activity has become an obstacle due to health protocols that have caused services to switch to digital form. Libraries must innovate services, one of which is the use of social media content to reach users. The FK UI library utilizes this social media content as part of service innovation. To promote and ensure that information is conveyed to users through social media, both on Twitter and Instagram, proper content management is needed. The purpose of this study was to find out how the FK UI Library manages content on social media for promotion and meeting the information needs of users. This is because the content presented through social media is a picture of a library. The research method is a qualitative method with a descriptive form. Data collection is done by interviewing through zoom and observation by monitoring social media. The results showed that the management of social media content carried out by the FK UI Library was more applied to Twitter and Instagram social media. Librarians manage content from the previous year and then the content has been done carefully one month before the content is shared with users. The benefits provided by social media to the FK UI Library such as making it easier for users and users to make social media an important component."

"Makalah ini bertujuan untuk menyelidiki korelasi antara Twitter dan kinerja pasar saham dengan melihat perspektif tingkat industri untuk perusahaan tertentu yang tergabung dalam IDX30. Indeks saham ini adalah sub-kategori likuiditas dari Headline Index yang terdiri dari perusahaan-perusahaan yang digunakan sebagai referensi untuk menggambarkan situasi pasar saham yang memenuhi kriteria utama memiliki tingkat likuiditas yang tinggi. Untuk mendukung penelitian ini, kami mengumpulkan beberapa pendapat yang diperoleh dari Twitter sebagai sumber data streaming menggunakan pemrograman Python, dan Thomson Reuters untuk mendapatkan informasi harga saham, volume, dan kapitalisasi pasar masing-masing perusahaan. Model penelitian dibangun berdasarkan metode Amihud Illiquidity dan perhitungan volatilitas untuk mengukur korelasi antara analisis sentimen dan kinerja saham. Penelitian ini menunjukkan bahwa analisis sentimen terhadap pernyataan yang diunggah di Twitter memiliki korelasi yang tidak signifikan terhadap likuiditas dan volatilitas saham IDX30 di Indonesia. Namun demikian, penelitian ini belum dapat memisahkan antara tweet yang dihasilkan berdasarkan pendapat pengguna dan tweet yang dibuat berdasarkan permintaan dari pelaku pasar tertentu untuk mempengaruhi nilai saham dengan menyebarkan informasi yang bias untuk memancing reaksi publik.

---

This paper is aimed at investigating the correlation between Twitter and stock market performance by looking at industry-level perspective to specific companies incorporated in the IDX30. This stock index is the sub-category liquidity of the Headline Index which consists of companies that are used as a reference to describe the stock market situation that meet the main criteria of having a high level of liquidity. To support this research, we collected some opinions obtained from Twitter as a source of streaming data using Python programming, and Thomson Reuters to obtain information of stock prices, volumes, and market capitalization of each company. Research models are built based on Amihud Illiquidity method and volatility calculation to measure the correlation between sentiment analysis and stock performance. This research shows that sentiment analysis of statements uploaded on Twitter has insignificant correlation to the liquidity and volatility of IDX30 stock in Indonesia. Nevertheless, this research has not been able to separate between tweets which are generated based on user opinion and tweets which are made based on requests from certain market participants to influence the value of shares by spreading biased information to provoke a public reaction."

"Indonesia merupakan salah satu negara terbesar didunia dan rawan terhadap bencana alam. Dalam penanggulangan bencana alam dibutuhkan informasi mengenai jenis bencana alam, tingkat bahaya, dan lokasi terjadinya bencana alam agar dapat ditanggulangi dengan cepat. Sosial media merupakan salah satu sumber informasi kejadian bencana alam yang dapat membantu masyarakat untuk bertindak, karena dianggap informasi yang realtime dan banyak. Walaupun terdapat beberapa sistem pemantauan bencana alam, namun informasi yang diterima oleh pengguna atau masyarakat masih tidak lengkap / kurang lengkap, contohnya pada sistem yang dikembangkan oleh BNPB, Petabencana.id dan GDASC. Sistem tersebut belum menampilkan keseluruhan tipe bencana alam dan tingkat lokasi yang lebih detail. Penelitian ini berfokus memanfaatkan data media sosial Twitter untuk digunakan dalam mendeteksi bencana alam di Indonesia dengan realtime dan lebih detail. Jenis analisa yang digunakan pada penelitian ini adalah klasikasi yang mengategorikan ke dalam relevan/tidak relevan, jenis bencana alam, dan tingkat bahaya bencana alam. Algoritma klasifikasi yang digunakan pada penelitian ini adalah Naïve Bayes, Decision Tree, Support Vector Machiness (SVM). Metode ekstraksi fitur digunakan pada penelitian ini dengan memanfaatkan fitur Bag Of Words (BOW) dan Term Frequency - Inverse Document Frequency (TF-IDF). Teknik ekstraksi informasi lokasi yang digunakan pada penelitian ini adalah metode Named Entity Recognition (NER) pada sebuah data teks. Selanjutnya lokasi akan dikonversi menggunakan metode geocoding ke dalam koordinat latitude dan longitude untuk pembuatan peta spasial. Sehingga didapatkan sistem yang mampu mendeteksi bencana alam di Indonesia secara realtime dan detail

---

Indonesia is one of the largest countries in the world and is prone to natural disasters. In dealing with natural disasters, information is needed on the types of natural disasters, the level of danger, and the location of the natural disasters so that they can be handled quickly. Social media is a source of information on natural disasters that can help people to act, because it is considered real-time and a lot of information. Although there are several natural disaster monitoring sistems, the information received by users or the community is still incomplete / incomplete, for example in the sistems developed by BNPB, Petabencana.id and GDASC. The sistem does not yet display all types of natural disasters and at a more detailed location level. This research focuses on utilizing Twitter social media data to be used in realtime and more detailed detection of natural disasters in Indonesia. The type of analysis used in this study is a classification categorizing it into relevant / irrelevant, types of natural disasters, and level of natural disaster hazards. The classification algorithm used in this study is Naïve Bayes, Decision Tree, Support Vector Machiness (SVM). The feature extraction method is used in this study by utilizing the Bag Of Words (BOW) and Term Frequency - Inverse Document Frequency (TF-IDF) features. The location information extraction technique used in this study is the Named Entity Recognition (NER) method on a text data. Furthermore, the location will be converted using the geocoding method into latitude and longitude coordinates for making spatial maps. So that we get a system that is able to detect natural disasters in Indonesia in real time and in detail"

"ABSTRAKJakarta merupakan daerah yang memiliki ciri tersendiri di Indonesia, yakni sebagai ibukota negara.Banyak permasalahan yang dihadapi oleh Pemerintahan Provinsi Daerah Khusus Ibukata Jakarta (Pemprov DKI Jakarta), diantaranya yang paling sering kita dengar adalah kemacetan lalu lintas. Jumlah rata-rata laporan masyarakat tentang kemacetan lalu lintas adalah 343 laporan perbulan, sedangkan penanganan yang dapat diselesaikan hanya 80 laporan perbulan. Banyaknya jumlah laporan masyarakat terhadap masalah kemacetan lalu lintas, maka membutuhkan prioritas terhadap laporan yang harus diutamakan penanganannya.Dalam penelitian ini melakukan analisis sentimen pada media sosial Twitter untuk dapat melakukan prioritas penanganan masalah kemacetan di Jakarta berdasarkan tingkat kepuasan masyarakat terhadap kondisi lalu lintas di Jakarta. Langkah-langkah dalam melakukan analisis sentimen antara lain preprocessing, feature extraction dan classification. Preprocessing data teks yang dilakukan antara lain case folding, tokenisasi, filter token, translate dan stopword removal. Sedangkan feature extraction yang digunakan adalah model unigram dan bigram dengan kamus sentimen, sedangkan pembobotan menggunakan metode Term Frequency - Inverse Document Frequency(TF-IDF). Pembuatan Model klasifikasi sentimen menggunakan dua algoritma yaitu Naïve Bayes dan Support Vector Machine (SVM).Sedangkan mengukur sentimen masyarakat menggunakan Net Sentiment Score dari Netbasedengan visualisasi menggunakan calendar view.Hasil dari pembuatan model klasifikasi sentimen dalam penelitian menunjukkan bahwa algoritma SVM menghasilkan akurasi yang lebih tinggi dari pada algoritma Naïve Bayes. Hasil dari visualisasi dengan calendar view menunjukkan bahwa sentimen masyarakat memiliki nilai Net Sentiment Score yang rendah di hari Kamis dan Jumat pada waktu sore. Sedangkan pada hari Minggu dan awal bulan memiliki nilai net sentiment score yang lebih tinggi. Sehingga pada waktu Kamis dan Jumat pada waktu sore perlu penanganan masalah kemacetan yang lebih utama.

---

ABSTRACTJakarta is an area that has its own characteristics in Indonesia as the nation's capital. Many problems faced by the Jakarta Provincial Government, among the most frequently heard is a traffic congestion. Average number of public complain about the traffic congestion was 343 reports per month, while the handling can be solved only 80 reports per month. A large number of public complain about the problem of traffic congestion, it takes priority over the handling of the complain should come first.In this research perform sentiment analysis on Twitter social media to be able to prioritize the handling of the problem of traffic congestion in Jakarta based on the level of public satisfaction about traffic conditions in Jakarta. Steps in doing sentiment analysis that is preprocessing, feature extraction and classification. Preprocessing text data use in this research is case folding,tokenization, filter token, translate and stopword removal. Feature extraction use an unigram and a bigram models with sentiment dictionary, and then the weighting use Term Frequency - Inverse Document Frequency (TF-IDF) method. To make the Sentiment classification model is using two algorithms, that is Naïve Bayes and Support Vector Machine (SVM). To measure public sentiment using Net Sentiment Score from Netbase with visualization using calendar view.The results of the modeling sentiment classification in the research show that the SVM algorithm produce higher accuracy than Naïve Bayes algorithm. The results of visualization with calendar view shows that public sentiment has low value of Net Sentiment Score Thursday and Friday in the afternoon. Meanwhile, on Sunday and the beginning of the month has high value of Net Sentiment Score. So that at the time of Thursday and Friday in the afternoon need of handling the problem of traffic congestion should first to be solve."

"Universitas T memiliki rencana (roadmap) untuk mengembangkan berbagai jenis Metaverse di masa depan. Namun, ada kekhawatiran bahwa roadmap yang telah dibuat mungkin tidak sesuai dengan kebutuhan masyarakat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen dan pemodelan topik tentang Metaverse di media sosial guna memberikan wawasan yang penting bagi roadmap pengembangan Metaverse di Universitas T dengan memperhatikan pendapat dan sentimen masyarakat. Data yang digunakan dalam penelitian ini adalah twit berbahasa Indonesia yang dikumpulkan dari bulan Agustus 2021 hingga April 2023. Untuk analisis, digunakan pustaka LazyPredict yang menghasilkan lima model klasifikasi, yaitu Bernoulli Naive Bayes (BernoulliNB), Nearest Centroid, Calibrated Classifier CV, Logistic Regression, dan Linear Support Vector Classification (LinearSVC). Hasil menunjukkan bahwa model BernoulliNB memiliki performa terbaik dengan nilai rata-rata F1 sebesar 0,788. Selain itu, penelitian ini juga mengidentifikasi topik-topik yang dibahas terkait dengan Metaverse menggunakan pustaka Bertopic. Temuan menunjukkan adanya topik negatif seperti ketidakpastian pengembangan Metaverse, skeptisisme terhadap teknologi baru, keterbatasan infrastruktur internet, kekhawatiran etika dan syariah, ketidakpastian legalitas, kekhawatiran privasi dan keamanan, serta skeptisisme terhadap kesiapan Indonesia dalam membangun Metaverse. Di sisi lain, topik positif meliputi peluncuran Metaverse Jagat Nusantara, potensi kripto dalam konteks Metaverse, perubahan nama Facebook menjadi Meta, konser virtual di Metaverse, kehidupan di dunia Metaverse, pengembangan teknologi Metaverse di dalam negeri, transformasi digital dan inovasi di era Metaverse, penggunaan blockchain, kripto, dan NFT dalam teknologi Metaverse, serta Manasik Haji di Metaverse. Hasil analisis sentimen dan pemodelan ini dapat memberikan wawasan yang berharga bagi Universitas T dalam memahami tren dan pandangan masyarakat terkait Metaverse. Hal ini akan membantu universitas dalam mengevaluasi roadmap Metaverse yang telah dibuat untuk memastikan kesesuaiannya dengan kebutuhan masyarakat.

---

Universitas T has a roadmap to develop various types of Metaverse in the future. However, there are concerns that the existing roadmap may not align with the needs of society. Therefore, this research aims to analyze the sentiment and topic modeling related to Metaverse on social media to provide valuable insights for the development roadmap of Metaverse at Universitas T, taking into account the opinions and sentiments of the public. The data used in this study are Indonesian tweets collected from August 2021 to April 2023. The LazyPredict library is utilized for analysis, which generates five classification models: Bernoulli Naive Bayes (BernoulliNB), Nearest Centroid, Calibrated Classifier CV, Logistic Regression, and Linear Support Vector Classification (LinearSVC). The results show that the BernoulliNB model performs the best with an F1 score of 0.788. Additionally, this research identifies various topics discussed in relation to Metaverse using Bertopic library. Findings indicate the presence of negative topics such as uncertainty in Metaverse development, skepticism towards new technologies, limitations of internet infrastructure, ethical and Sharia concerns, legal uncertainties, privacy and security concerns, as well as skepticism about Indonesia's readiness in building the Metaverse. On the other hand, positive topics include the launch of Metaverse Jagat Nusantara, the potential of cryptocurrencies in the context of Metaverse, the name change of Facebook to Meta, virtual concerts in the Metaverse, life in the Metaverse world, domestic Metaverse technology development, digital transformation and innovation in the era of Metaverse, the use of blockchain, cryptocurrencies, and NFTs in Metaverse technology, as well as Manasik of Hajj in the Metaverse. The results of sentiment analysis and topic modeling can provide valuable insights for Universitas T to understand the trends and public perspectives regarding Metaverse. This will assist the university in evaluating the existing Metaverse roadmap to ensure its alignment with the needs of society."

"Analisis sentimen terhadap opini publik di Twitter dapat memberikan wawasan yang berharga dalam memahami dukungan dan pemikiran masyarakat terkait calon presiden dan isu-isu terkait Pilpres 2024. Penelitian ini bertujuan untuk mengembangkan sistem analisis sentimen terhadap opini publik tentang Pilpres Indonesia 2024 yang tersebar di media sosial Twitter dalam bahasa Indonesia. Algoritma yang digunakan dalam pengembangan sistem tersebut adalah Naïve Bayes, sebuah algoritma klasifikasi yang telah terbukti efektif dalam analisis sentimen. Data yang digunakan dalam penelitian ini adalah kumpulan tweet atau cuitan yang diperoleh dari Twitter dengan menggunakan teknik web scraping. Persentasi Akurasi pada uji coba setiap skenario yang dilakukan mendapatkan hasil terbaik dengan nilai 81,18% untuk Skenario 1, 72,58% untuk Skenario 2, 65,05% untuk Skenario 3, dan 80,11% untuk Skenario 4. Hasil evaluasi model sistem yang dikembangkan terhadap klasifikasi sebenarnya menunjukkan bahwa analisis sentimen menggunakan algoritma Naïve Bayes dapat memberikan hasil yang baik tentang sentimen opini publik terkait Pilpres Indonesia 2024 di media sosial Twitter. Pengembangan sistem yang dikerjakan memberikan hasil model yang dapat melakukan analisis sentimen secara mandiri dengan akurasi yang tinggi terhadap opini publik terkait Pilpres Indonesia 2024 dengan nilai rata-rata 81,18%. Hasil analisis sentimen ini dapat membantu pihak-pihak terkait, termasuk calon presiden dan tim kampanye mereka, untuk memahami sejauh mana opini publik mendukung atau menentang mereka.

---

Sentiment analysis of public opinion on Twitter can provide valuable insight in understanding public support and thoughts regarding presidential candidates and issues related to the 2024 presidential election. This research aims to develop a sentiment analysis system for public opinion about the 2024 Indonesian Presidential Election shared on Twitter social media. in Indonesian. The algorithm used in developing the system is Naïve Bayes, a classification algorithm that has been proven effective in sentiment analysis. The data used in this research is a collection of tweets obtained from Twitter using web scraping techniques. The percentage of accuracy in testing each scenario carried out obtained the best results with a value of 81.18% for Scenario 1, 72.58% for Scenario 2, 65.05% for Scenario 3, and 80.11% for Scenario 4. Model evaluation results system developed for classification actually shows that sentiment analysis using the Naïve Bayes algorithm can provide good results regarding public opinion sentiment regarding the 2024 Indonesian Presidential Election on Twitter social media. The system development carried out provides model results that can carry out sentiment analysis independently with high accuracy regarding public opinion regarding the 2024 Indonesian Presidential Election. The results of this sentiment analysis can help related parties, including presidential candidates and their campaign teams, to understand the extent of opinion. they. society supports or opposes them."