Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dengan bertambahnya jumlah pengguna internet seiring waktu, bertambah pula jumlah data yang dihasilkan dari aktivitas yang berasal dari media sosial. Data tersebut dapat digunakan untuk berbagai keperluan, salah satunya untuk keperluan moderasi supaya aktivitas pengguna internet tetap tunduk pada hukum yang berlaku. Namun, diperlukan cara yang optimal untuk melakukan proses tersebut mengingat data yang jumlahnya sangat besar. Penelitian ini mengajukan sebuah platform yang dapat menjadi salah satu pilihan untuk memproses data media sosial yang berjumlah besar tersebut. Rancangan platform pada penelitian ini ditujukan untuk dapat memiliki throughput yang besar. Selain itu, platform dirancang untuk dapat dimodifikasi demi memenuhi berbagai kebutuhan. Karenanya, aspek extensibility juga menjadi perhatian utama dalam proses pengembangan platform. Kedua tujuan utama dalam pengembangan platform ini dapat diwujudkan dengan bantuan sebuah klaster Apache Kafka yang membuat platform memiliki sifat loosely-coupled dan juga extensible. Dengan berpusat pada klaster Apache Kafka, proses pengolahan data yang ada dapat dilakukan secara paralel, dan terbukti dapat meningkatkan throughput dari platform secara keseluruhan. Sebagai pembanding, penelitian ini diuji coba dengan suatu skenario bersama dengan platform Tweetream yang dikembangkan oleh Susanto (2022). Hasil dari uji coba tersebut membuktikan bahwa platform pada penelitian ini dapat mengungguli Tweetream.

---

As the number of internet users increases over time, so does the amount of data generated from activities originating from social media. This data can be used for various purposes, one of which is for moderation purposes so that the activities of internet users remain subject to applicable laws. However, an optimal way to do the process is needed considering the huge amount of data. This research proposes a platform that can be one of the options for processing large amounts of social media data. The design of the platform in this research is intended to have a large throughput. In addition, the platform is designed to be modifiable to meet various needs. Therefore, extensibility is also a major concern in the platform development process. These two main objectives in the development of the platform can be realized with the help of an Apache Kafka cluster that makes the platform loosely-coupled and extensible. By centering on the Apache Kafka cluster, the data processing can be done in parallel, which has been proven to increase the throughput of the platform as a whole. For comparison, this study was tested in a scenario with the Tweetream platform developed by Susanto (2022). The results of the test proved that the platform in this study can outperform Tweetream."

"The growth of social media over the last decade has revolutionized the way individuals interact and industries conduct business. Individuals produce data at an unprecedented rate by interacting, sharing, and consuming content through social media. Understanding and processing this new type of data to glean actionable patterns presents challenges and opportunities for interdisciplinary research, novel algorithms and tool development. Social Media Mining integrates social media, social network analysis, and data mining to provide a coherent platform to understand the basics and potentials of social media mining. It introduces the unique problems arising from social media data and presents fundamental concepts, emerging issues, and effective algorithms for network analysis and data mining. Suitable for use in advanced undergraduate and beginning graduate courses as well as professional short courses, the text contains exercises of different degrees of difficulty that improve understanding and help apply concepts, principles and methods for social media mining."

"Media Sosial merupakan aplikasi berbasis internet yang saat ini yang paling banyak digunakan oleh masyarakat Indonesia. Banyak studi kasus media sosial tidak hanya digunakan untuk bersosialisasi saja namun juga digunakan untuk strategi pemasaran. Tujuan dari penulisan ini adalah untuk mencari strategi media sosial yang dapat diterapkan ke dalam bisnis keluarga sehingga dapat memperluas daerah pemasaran. Penelitian ini akan mengambil kasus pada bisnis keluarga yaitu Mebel Karitas yang bergerak di bidang industri furniture. Proses pengumpulan data dilakukan dengan wawancara, observasi, dan studi literature di mana langkah-langkahnya menggunakan Lardi Social Media Strategy Framework. Penelitian ini diharapkan dapat menghasilkan strategi media sosial yang dapat diterapkan pada bisnis keluarga sehingga dapat memperluas daerah pemasaran.

---

Social Media is an internet-based application that is currently the most widely used by the people of Indonesia. Many cases state that social media not only used for socializing but also used for marketing strategies. The purpose of this paper is to find a social media strategy that can be applied to the family business so as to expand the marketing area. This study will take the case to the family business is Karitas Furniture that engaged in the furniture industry. The process of data collection is by interview, observation, and literature studies in which steps using Lardi Social Media Strategy Framework. This research is expected to generate a social media strategy that can be applied to the family business so as to expand the marketing area."

"Saat ini, dataset yang tersedia untuk melakukan analisis emosi di Indonesia masih terbatas, baik dari segi jumlah data, cakupan emosi, serta sumbernya. Pada penelitian ini, peneliti membangun dataset besar untuk tugas analisis emosi pada data teks berbahasa Indonesia, di mana dataset ini dikumpulkan dari berbagai domain dan sumber. Dataset ini mengandung 33 ribu teks, yang terdiri dari tweet yang dikumpulkan dari Twitter, serta komentar unggahan yang dikumpulkan dari Instagram dan Youtube. Domain yang dicakup pada dataset ini adalah domain olahraga, hiburan, dan life chapter. Dataset ini dianotasi oleh 36 annotator dengan label emosi fine-grained secara multi-label, di mana label emosi yang digunakan ini merupakan hasil dari taksonomi emosi baru yang diusulkan oleh peneliti. Pada penelitian ini, peneliti mengusulkan taksonomi emosi baru yang terdiri dari 44 fine-grained emotion, yang dikelompokkan ke dalam 6 basic emotion. Selain itu, peneliti juga membangun baseline model untuk melakukan analisis emosi. Didapatkan dua baseline model, yaitu hasil fine-tuning IndoBERT dengan f1-score micro tertinggi sebesar 0.3786, dan model hierarchical logistic regression dengan exact match ratio tertinggi sebesar 0.2904. Kedua baseline model tersebut juga dievaluasi di lintas domain untuk dilihat seberapa general dan robust model yang telah dibangun.

---

Currently, no research in Indonesia utilises fine-grained emotion for emotion analysis. In addition, the available datasets for analysing emotions still need to be improved in terms of the amount of data, the range of emotions, and their sources. In this study, researchers built a large dataset for analysing emotion. This dataset contains 33k texts, consisting of tweets collected from Twitter and comments collected from Instagram and Youtube posts. The domains covered in this dataset are sports, entertainment, and life chapter. Thirty-six annotators annotated this dataset with fine-grained emotion labels and a multi-label scheme, where the emotion labels resulted from a new emotion taxonomy proposed by the researcher. In this study, the researchers propose a new emotion taxonomy consisting of 44 fine-grained emotions which are grouped into six basic emotions. Two baseline models were obtained, the first one is the fine-tuned IndoBERT model, which achieved the highest f1-score micro of 0.3786, and the second one is hierarchical logistic regression model, which achieved the highest exact match ratio of 0.2904. Both baseline models were also evaluated to determine their cross-domain applicability. The dataset and baseline models that are produced in this study are expected to be valuable resources for future research purposes."

"Saat ini, dataset yang tersedia untuk melakukan analisis emosi di Indonesia masih terbatas, baik dari segi jumlah data, cakupan emosi, serta sumbernya. Pada penelitian ini, peneliti membangun dataset besar untuk tugas analisis emosi pada data teks berbahasa Indonesia, di mana dataset ini dikumpulkan dari berbagai domain dan sumber. Dataset ini mengandung 33 ribu teks, yang terdiri dari tweet yang dikumpulkan dari Twitter, serta komentar unggahan yang dikumpulkan dari Instagram dan Youtube. Domain yang dicakup pada dataset ini adalah domain olahraga, hiburan, dan life chapter. Dataset ini dianotasi oleh 36 annotator dengan label emosi fine-grained secara multi-label, di mana label emosi yang digunakan ini merupakan hasil dari taksonomi emosi baru yang diusulkan oleh peneliti. Pada penelitian ini, peneliti mengusulkan taksonomi emosi baru yang terdiri dari 44 fine-grained emotion, yang dikelompokkan ke dalam 6 basic emotion. Selain itu, peneliti juga membangun baseline model untuk melakukan analisis emosi. Didapatkan dua baseline model, yaitu hasil fine-tuning IndoBERT dengan f1-score micro tertinggi sebesar 0.3786, dan model hierarchical logistic regression dengan exact match ratio tertinggi sebesar 0.2904. Kedua baseline model tersebut juga dievaluasi di lintas domain untuk dilihat seberapa general dan robust model yang telah dibangun.

---

Currently, no research in Indonesia utilises fine-grained emotion for emotion analysis. In addition, the available datasets for analysing emotions still need to be improved in terms of the amount of data, the range of emotions, and their sources. In this study, researchers built a large dataset for analysing emotion. This dataset contains 33k texts, consisting of tweets collected from Twitter and comments collected from Instagram and Youtube posts. The domains covered in this dataset are sports, entertainment, and life chapter. Thirty-six annotators annotated this dataset with fine-grained emotion labels and a multi-label scheme, where the emotion labels resulted from a new emotion taxonomy proposed by the researcher. In this study, the researchers propose a new emotion taxonomy consisting of 44 fine-grained emotions which are grouped into six basic emotions. Two baseline models were obtained, the first one is the fine-tuned IndoBERT model, which achieved the highest f1-score micro of 0.3786, and the second one is hierarchical logistic regression model, which achieved the highest exact match ratio of 0.2904. Both baseline models were also evaluated to determine their cross-domain applicability. The dataset and baseline models that are produced in this study are expected to be valuable resources for future research purposes."

"Saat ini, dataset yang tersedia untuk melakukan analisis emosi di Indonesia masih terbatas, baik dari segi jumlah data, cakupan emosi, serta sumbernya. Pada penelitian ini, peneliti membangun dataset besar untuk tugas analisis emosi pada data teks berbahasa Indonesia, di mana dataset ini dikumpulkan dari berbagai domain dan sumber. Dataset ini mengandung 33 ribu teks, yang terdiri dari tweet yang dikumpulkan dari Twitter, serta komentar unggahan yang dikumpulkan dari Instagram dan Youtube. Domain yang dicakup pada dataset ini adalah domain olahraga, hiburan, dan life chapter. Dataset ini dianotasi oleh 36 annotator dengan label emosi fine-grained secara multi-label, di mana label emosi yang digunakan ini merupakan hasil dari taksonomi emosi baru yang diusulkan oleh peneliti. Pada penelitian ini, peneliti mengusulkan taksonomi emosi baru yang terdiri dari 44 fine-grained emotion, yang dikelompokkan ke dalam 6 basic emotion. Selain itu, peneliti juga membangun baseline model untuk melakukan analisis emosi. Didapatkan dua baseline model, yaitu hasil fine-tuning IndoBERT dengan f1-score micro tertinggi sebesar 0.3786, dan model hierarchical logistic regression dengan exact match ratio tertinggi sebesar 0.2904. Kedua baseline model tersebut juga dievaluasi di lintas domain untuk dilihat seberapa general dan robust model yang telah dibangun.

---

Currently, no research in Indonesia utilises fine-grained emotion for emotion analysis. In addition, the available datasets for analysing emotions still need to be improved in terms of the amount of data, the range of emotions, and their sources. In this study, researchers built a large dataset for analysing emotion. This dataset contains 33k texts, consisting of tweets collected from Twitter and comments collected from Instagram and Youtube posts. The domains covered in this dataset are sports, entertainment, and life chapter. Thirty-six annotators annotated this dataset with fine-grained emotion labels and a multi-label scheme, where the emotion labels resulted from a new emotion taxonomy proposed by the researcher. In this study, the researchers propose a new emotion taxonomy consisting of 44 fine-grained emotions which are grouped into six basic emotions. Two baseline models were obtained, the first one is the fine-tuned IndoBERT model, which achieved the highest f1-score micro of 0.3786, and the second one is hierarchical logistic regression model, which achieved the highest exact match ratio of 0.2904. Both baseline models were also evaluated to determine their cross-domain applicability. The dataset and baseline models that are produced in this study are expected to be valuable resources for future research purposes."

"Penelitian ini mengkaji bagaimana pemaknaan sukses pemuda modern di Indonesia, khususnya Generasi Milenial, diproduksi melalui tren hustle culture di media sosial. Media sosial memiliki peran yang penting dalam memengaruhi aspirasi dan gaya hidup pemuda di era modern. Tren hustle culture dipilih sebagai fokus penelitian karena merepresentasikan pandangan yang kuat mengenai kerja keras, ambisi, dan produktivitas yang sering dipromosikan oleh pemuda-pemuda ini sebagai gaya hidup mereka. Penelitian ini mengumpulkan data melalui konten-konten teks, gambar, maupun multimedia, yang berkenaan dengan hustle culture atau gaya hidup pemuda urban modern di Indonesia di Instagram, Twitter, dan TikTok serta wawancara bersama 6 responden dari Generasi Milenial. Data yang terkumpul dianalisis menggunakan pendekatan Ethnography Content Analysis (ECA) sembari terus berefleksi terhadap berbagai konsep teori mengenai pemuda, kota, media sosial, dan hustle culture. Hasil penelitian menunjukkan bahwa tren ini merepresentasikan citra dan gaya hidup pemuda modern-urban yang modern, produktif, dan inspiratif sebagai gambaran kesuksesan yang diimajinasikan. Dengan begitu, citra yang sukses di media sosial telah menjadi kesuksesan itu sendiri. Penelitian ini menawarkan perspektif baru yang relevan dalam pemetaan pemahaman sukses pemuda Indonesia di era modern, khususnya dengan mempertimbangkan praktik media sosial dalam kehidupan sehari-hari.

---

This study examines how the notion of success among modern Indonesian youth, particularly the millennial generation, is constructed through the hustle culture trend on social media. With social media playing a significant role in shaping the aspirations and lifestyles of young individuals, the study centers on the hustle culture trend due to its strong promotion of values such as hard work, ambition, and productivity as integral to their way of life. Data was collected from various platforms including Instagram, Twitter, and TikTok, comprising textual, visual, and multimedia content related to hustle culture and the modern urban youth lifestyle in Indonesia. Additionally, interviews were conducted with six millennial respondents. The collected data is analyzed using the Ethnography Content Analysis (ECA) approach while reflecting on various theoretical concepts regarding youth, urban, social media, and hustle culture. The findings demonstrate that the hustle culture trend constructs an idealized image and lifestyle of modern urban youth, portraying them as modern, productive, and inspirational, thereby equating the social media image of success with actual success. This research provides a fresh perspective on understanding success among Indonesian youth in the modern era, specifically by examining the influence of social media practices in their daily lives."

""The inside information that marketers and social media practitioners have been dying to get hands onIt seems like every day another self-appointed social media "guru" appears on the scene, offering to sell you his or her "surefire" cure for what ails you. Don?t you think it?s time you heard from the real experts--i.e., folks like you who are responsible for delivering their companies? social media strategies? Based on extensive interviews with marketing, media and networking professionals at many of today?s most admired brands and companies, this book provides you with detailed examples of the social media strategies in place at, among others, Virgin Atlantic, Barclays, Skype, Dell, John Lewis, Ranstad, Honda, HP, E.con, and Chevrolet. The most comprehensive set of "blueprints" available in one book for delivering social media strategies more successfully Includes in-depth case studies packed with hand-on-advice that you can put to work in your company immediately Covers all-important strategic social media activities--from improving relationships with customers to generating more sales, product testing to team building The Companion Website features a gold mine of additional material, updates, war stories and much more"-- Provided by publisher."

"Penelitian ini bertujuan untuk mengetahui tingkat kesadaran pengguna terkait informasi data pribadi, dan berbagai informasi data pribadi yang terdaftar di media sosial pengguna. Penelitian ini menggunakan pendekatan kualitatif dengan wawancara metode dan studi literatur. Subjek penelitian ini adalah mahasiswa S1 di Universitas Muhammadiyah Malang Universitas Indonesia dengan total 8 orang, yang ditentukan oleh a model convenience sampling. Hasilnya menunjukkan tahap kesadaran muncul ketika pengguna berpikir kritis dalam keputusan dimasukkannya pribadi informasi data. Hasil penelitian juga menunjukkan bahwa pengguna tahu beragam informasi data pribadi, yang sesuai untuk latar belakang setiap pengguna. Di Selain itu, perlu diperhatikan bahwa pengguna media sosial memperhatikan informasi data pribadi karena kekhawatiran tentang potensi penyalahgunaan informasi data pribadi, yang berasal dari pengguna lain dan penyedia media sosial tersebut. Penelitian ini mengidentifikasi bahwa pengguna media sosial harus memberikan diri mereka sendiri pengetahuan penggunaan media sosial. Pengetahuan seperti itu juga harus disertai dengan pengetahuan tentang pentingnya data pribadi bagi pengguna.

---

This study aims to determine the users level of awareness related to personal data information, and various personal data information that is registered on the users social media. This study uses a qualitative approach with interview methods and literature studies. The subjects of this study were S1 students at the University of Muhammadiyah Malang University of Indonesia with a total of 8 people, which was determined by a convenience sampling model. The results indicate the stage of awareness arises when users think critically in the decision of the inclusion of personal data information. The results also show that users know a variety of personal data information, which is appropriate for each users background. In addition, it should be noted that social media users pay attention to personal data information because of concerns about the potential misuse of personal data information, which comes from other users and social media providers. This research identifies that social media users must give themselves knowledge use of social media. Such knowledge must also be accompanied by knowledge of the importance of personal data for users."

"Next generation sequencing is revolutionizing molecular biology. Owing to this new technology it is now possible to carry out a panoply of experiments at an unprecedented low cost and high speed. These go from sequencing whole genomes, transcriptomes and small non-coding RNAs to description of methylated regions, identification protein – DNA interaction sites and detection of structural variation. The generation of gigabases of sequence information for each of this huge bandwidth of applications in just a few days makes the development of bioinformatics applications for next generation sequencing data analysis as urgent as challenging."