Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Pemilihan umum presiden merupakan momen krusial dalam demokrasi, di mana opini publik memainkan peran penting dalam menentukan hasil. Dalam era digital, media sosial menjadi platform utama bagi masyarakat untuk menyampaikan pandangan dan opini mereka. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap pemilihan bakal calon presiden Indonesia 2024, yaitu Ganjar, Prabowo, dan Anies melalui media sosial X menggunakan model IndoBERT. Data dikumpulkan dari media sosial X melalui teknik crawling untuk memastikan relevansi data. Model IndoBERT diterapkan untuk melakukan analisis sentimen terhadap data teks yang diklasifikasikan ke dalam kategori positif, negatif, dan netral. Hasil menunjukkan bahwa model dengan hyperparameter terbaik (learning rate 5e-6 dan data splitting 0.2) mencapai akurasi 94.66% dalam mengklasifikasikan sentimen, dengan nilai precision, recall, dan f1-score yang konsisten. Meskipun demikian, terdapat kecenderungan bahwa model memprediksi kurang atau memprediksi berlebih jumlah data pada semua kandidat. Analisis dari precision-recall curve menunjukkan bahwa ketidakseimbangan data memiliki pengaruh terhadap performa model, namun model dengan hyperparameter terbaik tetap mencapai nilai AUC 0.92 terhadap ketidakseimbangan data tersebut. Analisis sentimen ini memberikan wawasan penting bagi partai politik dalam menentukan strategi kampanye dan mengidentifikasi kandidat yang paling disukai oleh masyarakat dalam pemilihan umum presiden 2024.

---

The presidential election is a crucial moment in democracy, where public opinion plays a vital role in determining the outcome. In the digital era, social media has become a primary platform for people to express their views and opinions. This research aims to analyze public sentiment towards the 2024 Indonesian presidential candidates—Ganjar, Prabowo, and Anies—through social media platform X using the IndoBERT model. Data was collected from social media X through crawling techniques to ensure data relevance. The IndoBERT model was applied to perform sentiment analysis on the text data, classifying it into positive, negative, and neutral categories. The results show that the model with the best hyperparameters (learning rate of 5e-6 and data splitting of 0.2) achieved 94.66% accuracy in sentiment classification, with consistent precision, recall, and f1-score values. However, there is a tendency for the model to underpredict or overpredict the amount of data for all candidates. Analysis of the precision-recall curve indicates that data imbalance affects the model's performance, but the model with the best hyperparameters remains achieved AUC 0.92, indicating robustness against this imbalance. This sentiment analysis provides important insights for political parties in determining campaign strategies and identifying the most favored candidates by the public in the 2024 presidential election."

"Twitter adalah platform media sosial microblogging yang memungkinkan komunikasi dua arah untuk mengutarakan opini dan komentar. Komentar-komentar yang beragam ini dapat memperlihatkan sentimen-sentimen masyarakat apabila dilakukan analisis sentimen. Analisis sentimen adalah studi yang menganalisis opini orang terhadap suatu produk, organisasi, individu, atau jasa tertentu. Machine learning merupakan metode yang dapat mempermudah proses klasifikasi sentimen. Penelitian ini dilakukan pada cuitan berbahasa Indonesia terkait Kampus Merdeka yang diambil dari Twitter menggunakan package tweepy sebanyak 1.651 cuitan terhitung dari tanggal 5 Maret 2022 hingga 13 Maret 2022. Model machine learning yang digunakan pada penelitian ini adalah Bidirectional Long Short-Term Memory (BiLSTM), dengan dua model hybrid LSTM-based, yaitu CNN-LSTM dan LSTM-CNN sebagai pembanding. Kinerja model diukur dengan metrik kinerja accuracy, precision, recall, dan F1-score. Implementasi dilakukan pada data yang telah dilakukan oversampling untuk mendapatkan hasil yang optimal. Penelitian menunjukkan bahwa model BiLSTM memiliki kinerja yang lebih unggul dibandingkan dengan dua model pembanding lainnya pada seluruh metrik dengan besar metrik, yaitu: accuracy dan recall sebesar 79,577%; precision sebesar 73,097%; dan F1-score sebesar 75,634%.

---

Twitter is a microblogging social media platform that allows two-way communication to express opinion and comments. These various comments can show us sentiment of the public when we perform a sentiment analysis. Sentiment analysis is a study that analyze the opinion of people towards a specific product, organization, individual, or service. Machine learning is a method that will help perform sentiment classification easier. This study performs analysis on 1.651 data tweets about Kampus Merdeka taken from Twitter using a package called tweepy since March 5th 2022 until March 13th 2022. The machine learning model used in this study is Bidirectional Long Short-Term Memory (BiLSTM), with two LSTM-based hybrid model, CNN-LSTM and LSTM-CNN as comparison models. Model performance is measured by performance metrics accuracy, precision, recall, and F1-score. Implementation was done on data that has been going through oversampling to achieve the best result. The study shows that BiLSTM performs better than the other two comparison models for all the metrics with the percentage of the each metric being: 79.577% for accuracy and recall; 73,097% for precision; and 75,634% for F1-score."

"Selama pemberlakuan pembatasan kegiatan masyarakat (PPKM) saat pandemi Covid-19, berbagai aktivitas bekerja, belajar, hingga berbelanja lebih banyak dilakukan dengan memanfaatkan teknologi digital dari rumah. Telkomsel Orbit yang merupakan produk layanan internet rumahan hadir untuk mendukung perubahan perilaku pelanggan selama pandemi. Pelanggan Telkomsel Orbit telah meningkat secara eksponensial selama pandemi, akan tetapi pada bulan Oktober 2021 hingga Januari 2022 terjadi penurunan jumlah pertumbuhan pelanggan. Pemasaran di media sosial dengan menggandeng influencer di media sosial dapat dilakukan untuk meningkatkan pertumbuhan pelanggan dan mengatasi masalah tersebut. Penelitian ini dilakukan untuk mendeteksi influencer di media sosial Twitter dan Instagram dengan menggunakan analisis sentimen dan jejaring sosial untuk produk Telkomsel Orbit. Data yang digunakan merupakan tweet, retweet, postingan, dan komentar yang diunggah pada periode 1 Oktober 2021 hingga 31 Maret 2022 terkait produk Telkomsel Orbit, total sebanyak 6,092 tweet dan 8,095 postingan dikumpulkan. Penelitian ini menggunakan algoritma Naïve Bayes (NB), Support Vector Machine (SVM), dan Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) pada proses pembuatan model dalam analisis sentimen berbasis pembelajaran mesin. Selain itu, penelitian ini menggunakan analisis jejaring sosial untuk menentukan aktor utama yang memiliki pengaruh terbesar dengan mengukur empat nilai sentralitas yaitu degree centrality, closeness centrality, betweenness centrality, dan eigenvector centrality. Hasil penelitian menunjukan algoritma SVM memiliki kinerja terbaik dengan rata-rata nilai akurasi sebesar 83.68% diikuti oleh LSTM-RNN sebesar 82.54% dan NB sebesar 75.35%. Selain itu, akun dengan pengaruh terbesar berdasarkan nilai sentralitasnya pada media sosial Twitter adalah denkmit untuk sentimen positif dan myorbitid untuk sentimen negatif, sedangkan pada media sosial Instagram adalah akun tseljabotabekjabar, witelaceh, telkomsel.halo.bjm, dan telkomsel.bojonegoro untuk sentimen positif dan negatif. Hasil dari penelitian ini memberikan kontribusi praktis bagi organisasi dalam melakukan pemasaran di media sosial untuk membangun merek serta menyebarkan informasi dan promosi secara elektronik untuk meningkatkan niat beli suatu produk. Influencer di media sosial berperan penting sebagai pihak yang menyebarkan informasi dan promosi tersebut di media sosial. Selain itu, penelitian ini juga memberikan kontribusi teoritis dalam analisis sentimen berbasis pembelajaran mesin dan analisis jejaring sosial dalam mendeteksi aktor utama di media sosial.

---

During the implementation of restrictions on community activities (PPKM) in times of the Covid-19 pandemic, various activities such as working, studying, and shopping were mostly carried out by utilizing digital technology from home. Telkomsel Orbit, a home internet service was launched to support changes in customer behavior during the pandemic. Telkomsel Orbit subscribers have increased exponentially during the pandemic, but from October 2021 to January 2022 there was a decrease in the number of subscriber growth. To overcome these problems and increase customer growth, social media marketing and collaboration with influencers on social media could be leveraged. This research was conducted to detect influencers on social media, namely Twitter and Instagram using sentiment analysis and social networks analysis for Telkomsel Orbit products. The data used were tweets, retweets, posts, and comments uploaded in the period between October 1, 2021 and March 31, 2022 related to Telkomsel Orbit products, a total of 6,092 tweets and 8,095 posts were collected. This study used Naïve Bayes (NB), Support Vector Machine (SVM), and Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) algorithm in machine learning-based sentiment analysis. In addition, social networks analysis was also conducted by measuring four centrality metrics, namely degree centrality, closeness centrality, betweenness centrality, and eigenvector centrality. The results of this study showed that SVM algorithm had the best performance with an average accuracy of 83.68% followed by LSTM-RNN 82.54% and NB 75.35%. In addition, the accounts with the greatest influence based on the metric of centrality on Twitter are denkmit for positive sentiment and myorbitid for negative sentiment, while on Instagram social media are tseljabotabekjabar, witelaceh, telkomsel.halo.bjm, and telkomsel.bojonegoro for both of positive and negative sentiment. The results of this study provide a practical contribution to organizations in marketing on social media to build brands and disseminate information and promotions electronically to increase purchase intention of a product. Influencers on social media play an important role as third parties who will disseminate information and promotions on social media. In addition, this research also provides theoretical contributions in machine learning-based sentiment analysis and social network analysis in detecting the main actors in social media."

"Pesatnya perkembangan teknologi informasi dan komunikasi menuntut adanya inovasi dalam pengembangan aplikasi agar dapat mengikuti perkembangan yang cepat tersebut. Segari adalah salah satu penyedia layanan supermarket online yang populer di Indonesia. Segari merupakan perusahaan yang berlandasan customer centric dan mempunyai nilai Be Obsessed with our Customers, sangat mengedepankan kebutuhan dari pelanggannya. Minimnya sumber daya manusia dan banyaknya ulasan pelanggan yang perlu di analisis menghambat proses penggalian informasi dari ulasan pelanggan tersebut, sehingga diperlukan model pembelajaran mesin yang dapat secara otomatis melakukan analisis sentimen untuk mengklasifikasikan ulasan menjadi sentimen positif atau negatif. Informasi yang diambil dari analisis sentimen dapat digunakan sebagai referensi untuk menjaga kualitas layanan berdasarkan sentimen positif, sedangkan hasil dari sentimen negatif dapat digunakan sebagai bahan evaluasi untuk meningkatkan layanan dan aplikasi Segari. Dalam penelitian ini, peneliti membahas implementasi model analisis sentimen menggunakan ulasan pelanggan dari Google Play Store. Metode pembuatan model dimulai dari pengumpulan data, pelabelan data, pra proses data, ekstraksi fitur, model klasifikasi sentimen, evaluasi model, dan pemodelan topik. Peneliti menggunakan dua algoritma klasifikasi, Naive Bayes Classifier (NB) dan Support Vector Machine (SVM), pada total 10.507 ulasan. Data menunjukkan bahwa 74,37% ulasan mengungkapkan sentimen positif, sedangkan 25,63% mengungkapkan sentimen negatif. Hasil penelitian menunjukkan bahwa algoritma SVM dengan oversampling mencapai kinerja model terbaik, dengan recall sebesar 89,98%. Selain itu, peneliti menggunakan Latent Dirichlet Allocation (LDA) untuk mengidentifikasi topik terkait dengan perspektif pelanggan tentang Segari yang selanjutnya disampaikan kepada tim terkait. Hasil analisis mengungkapkan bahwa terdapat pelanggan yang puas dan kecewa dengan proses pengiriman produk. Pelanggan umumnya sudah puas dengan kualitas dan kesegaran dari produk. Beberapa pelanggan merasa kecewa karena pesanan yang kosong atau tidak lengkap dalam paket. Terdapat pelanggan yang puas dan kecewa terhadap aplikasi antarmuka pengguna, kecepatan, maupun kinerja aplikasi. Terdapat pelanggan yang puas dan kecewa terhadap harga, promo, dan voucher yang tersedia. Beberapa pelanggan merasa kecewa terhadap servis yang diberikan oleh customer service. Secara keseluruhan, penelitian ini memperluas pengetahuan tentang metode analisis sentimen dan memberikan wawasan tentang melakukan penelitian terkait analisis sentimen dan ulasan pelanggan.

---

The rapid development of information and communication technology demands innovation in application development to keep up with such rapid advancement. Segari is one of the popular online supermarket service providers in Indonesia. Segari is a customer-centric company with a core value of being obsessed with its customers, prioritizing their needs. The lack of human resources and the abundance of customer reviews that need to be analyzed hinder the process of extracting information from these reviews. Therefore, a machine learning model is needed to automatically perform sentiment analysis and classify the reviews into positive or negative sentiments. The information extracted from sentiment analysis can be used as a reference to maintain service quality based on positive sentiments, while the results of negative sentiments can be used for evaluation to improve Segari's services and application. In this research, the implementation of a sentiment analysis model using customer reviews from the Google Play Store is discussed. The model development process includes data collection, data labeling, data preprocessing, feature extraction, sentiment classification model, model evaluation, and topic modeling. The researcher utilized two classification algorithms, Naive Bayes Classifier (NB) and Support Vector Machine (SVM), on a total of 10,507 reviews. The data shows that 74.37% of the reviews express positive sentiments, while 25.63% express negative sentiments. The results of the study indicate that the SVM algorithm with oversampling achieved the best model performance, with a recall of 89.98%. Additionally, the researcher used Latent Dirichlet Allocation (LDA) to identify topics related to customer perspectives on Segari, which will be communicated to the relevant team. The analysis revealed that some customers are satisfied while others are disappointed with the product delivery process. Customers generally expressed satisfaction with the quality and freshness of the products. Some customers felt disappointed due to missing or incomplete items in their orders. There were mixed opinions about the user interface, speed, and performance of the application. Customers also expressed satisfaction and dissatisfaction with the available prices, promotions, and vouchers. Some customers felt disappointed with the service provided by the customer service team. Overall, this paper extends knowledge of sentiment analysis methods and provides insights on conducting research related to sentiment analysis and customer reviews.

"

"Pemerintah Indonesia mengeluarkan kebijakan untuk melakukan pemindahan ibu kota negara (IKN) dari Jakarta ke Kalimantan di tahun 2019. Hal tersebut menuai respons dari masyarakat, ada kelompok yang setuju dan ada yang tidak setuju. Opini dari masyarakat tentang pemindahan ibu kota banyak beredar melalu sosial media khususnya Twitter. Pemindahan ibu kota butuh proses panjang dan direncanakan dimulai di tahun 2024. Sampai saat ini sudah banyak kebijakan turunan dari pemerintah agar proses pemindahan ibu kota negara tetap berlangsung. Begitu juga dengan opini masyarakat di Twitter bermunculan menanggapi kebijakan tersebut. Sudah hampir 4 tahun sejak ditetapkan, sudah cukup banyak juga opini dari masyarakat tentang pemindahan IKN. Maka dari itu penelitian ini bertujuan untuk mengetahui sentimen masyarakat tentang pemindahan ibu kota negara beserta topik-topik yang menjadi perbincangannya. Penelitian ini dilakukan dengan cara mengumpulkan data dari Twitter sejak 2019 sampai 2022 tentang pemindahan ibu kota negara. Data yang dikumpulkan akan melewati serangkaian data preprosesing yang kemudian diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Pemodelan sentimen dilakukan menggunakan lima model klasifikasi untuk mencari keakuratan terbaik, yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), dan Random Forest (RF). Masing-masing algoritma dijalankan dua kali dari 2 sampel yang tanpa melewati balancing, dan satunya lagi menggunakan oversampling. Pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA). Kedua pemodelan ini digunakan untuk memvisualisasikan sentimen dan topik-topiknya ke dalam visualisasi time series. Pemodelan sentimen terbaik yang dihasilkan adalah RF dari sampel oversampling dengan nilai akurasi 82%. Pemodelan tersebut menghasilkan distribusi sentimen dengan sentimen positif mendominasi sebanyak 46.5%, sentimen netral sebanyak 31.6%, dan sentimen negatif sebanyak 21.9%. Hasil visualisasi time series menunjukkan bahwa sentimen positif tidak selalu mendominasi, namun hanya pada tahun 2022. Pemodelan topik menghasilkan 15 topik untuk sentimen positif, 11 topik untuk sentimen netral, dan 8 topik untuk sentimen negatif. Visualisasi topik time series memperlihatkan bahwa beberapa topik mendominasi perbincangan di Twitter, namun hanya pada bulan-bulan tertentu. Visualisasi time series dapat memberikan gambaran yang lebih komprehensif pada penelitian analisis sentimen dan pemodelan topik.

---

Indonesian government issued a policy to move the national capital or ibu kota negara (IKN) from Jakarta to Kalimantan in 2019. This drew pros and cons from the public, there were groups who agreed and there were those who disagreed. Opinions from the public regarding the relocation of the capital city are widely circulated through social media, especially Twitter. Moving the capital city requires a long process and is planned to begin in 2024. Until now, there have been many derivative policies from the government so that the process of moving the national capital continues. Likewise, public opinion has sprung up ont Twitter in response to this policy. It's been almost 4 years since it was established, so there's been quite a lot of opinion from the public about the transfer of the IKN. Therefore this study aims to determine public sentimen about the relocation of the national capital along with the topics of discussion. This research is conducted by collecting data from Twitter from 2019 to 2022 regarding the relocation of the national capital. The data collected will go through a series of pre-processing data which are then classified into positive, neutral and negative sentimens. Sentimen modeling is carried out using five classification models to find the best accuracy, namely Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). Each algorithm is run twice from 2 samples without going through balancing, and the other uses oversampling. Topic modeling is done using Latent Dirichlet Allocation (LDA). These two models are used to visualize sentimen and topics into a time series visualization. The best sentimen modeling produced is RF from oversampling samples with an accuracy value of 82%. This modeling produces a sentimen distribution with positive sentimen dominating by 46.5%, neutral sentimen by 31.6%, and negative sentimen by 21.9%. The results of the time series visualization show that positive sentimen does not always dominate, but only in 2022. The topic modeling produces 15 topics for positive sentimen, 11 topics for neutral sentimen, and 8 topics for negative sentimen. The time series topic visualization shows that several topics dominate the conversation on Twitter, but only in certain months. Time series visualization can provide a more comprehensive picture of sentimen analysis research and topic modeling."

"Penelitian ini bertujuan untuk mengintegrasikan analisis sentimen dan teknik pengelompokan teks (text clustering) dalam mengevaluasi kualitas layanan berdasarkan model SERVQUAL, yang mencakup lima dimensi utama: Tangibility, Responsiveness, Reliability, Assurance, dan Empathy. Metode yang digunakan meliputi Naïve Bayes, Support Vector Machine, dan K-Nearest Neighbor untuk melakukan klasterisasi sentimen yang bervariasi di setiap dimensi SERVQUAL. Hasil analisis menunjukkan bahwa sentimen pelanggan berbeda di setiap dimensi, dengan beberapa area menonjol dalam sentimen negatif atau positif. Teknik clustering teks membantu mengidentifikasi tema-tema umum dan masalah yang sering dihadapi pelanggan. Kesimpulan dari penelitian ini adalah pendekatan analisis sentimen dan text clustering memberikan wawasan yang lebih detail dan mendalam mengenai kualitas layanan, yang memungkinkan perusahaan untuk mengambil tindakan yang lebih tepat dalam meningkatkan setiap dimensi SERVQUAL untuk meningkatkan kepuasan dan loyalitas pelanggan secara keseluruhan

---

This study aims to integrate sentimen analysis and text clustering techniques to evaluate service quality based on the SERVQUAL model, which includes five main dimensions: Tangibility, Responsiveness, Reliability, Assurance, and Empathy. The methods used include Naïve Bayes, Support Vector Machine, and K-Nearest Neighbor to perform sentimen clustering that varies across each SERVQUAL dimension. The analysis results show that customer sentimens differ across each dimension, with certain areas standing out in either negatif or positive sentimens. Text clustering techniques help identify common themes and issues frequently faced by customers. The conclusion of this study is that the sentimen analysis and text clustering approach provides more detailed and in-depth insights into service quality, enabling companies to take more precise actions in enhancing each SERVQUAL dimension to increase overall customer satisfaction and loyalty."

"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."

"Analisis sentimen merupakan studi komputasi untuk menganalisis opini seseorang terhadap suatu entitas yang diekspresikan dalam sebuah teks. Tersedia cukup banyak model machine learning terutama deep learning yang dapat digunakan untuk melakukan analisis sentimen seperti Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM). Pada dasarnya, model deep learning tidak dapat memproses langsung sebuah data dalam bentuk teks sehingga diperlukan metode untuk mentransformasi teks menjadi tensor numerik seperti word embedding. Pada penelitian ini, diajukan model gabungan CNN-BiLSTM dengan word embedding fastText untuk melakukan analisis sentimen. Model tersebut dilatih menggunakan data tweet berbahasa Indonesia tentang opini masyarakat mengenai rencana subsidi pembelian kendaraan listrik di Indonesia. Data tersebut diklasifikasikan menjadi sentimen positif, negatif, dan netral dan ditemukan bahwa komposisi dari ketiga sentimen tersebut tidaklah seimbang (imbalanced dataset) dimana kelas positif memiliki lebih sedikit data dibanding kelaskelas lainnya. Untuk mengatasi masalah tersebut, digunakan metode resampling SMOTE agar jumlah data pada kelas positif dapat mengimbangi kelas lainnya. Model fastTextCNN-BiLSTM diukur performanya dengan melihat nilai akurasi, precision, recall, dan f1-score. Dari hasil penelitian didapat bahwa model gabungan CNN-BiLSTM memberikan nilai akurasi, precision, recall, dan f1-score yang paling baik dibanding model CNN dan BiLSTM saja. Model-model yang menggunakan word embedding fastText juga memberikan performa yang lebih baik dibanding model tanpa fastText (menggunakan word embedding standar). Secara keseluruhan, model gabungan fastTextCNN-BiLSTM ditemukan memiliki performa yang lebih baik dibandingkan dengan model-model lainnya.

---

Sentiment analysis is a computational study to analyze person’s opinion about an entity expressed in text. There are several machine learning models, especially deep learning models that can be used for sentiment analysis, such as Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BiLSTM). Essentially, deep learning models cannot directly process textual data and they need a method to transform text into numerical tensors such as word embedding. In this research, a hybrid model CNN-BiLSTM with fastText word embedding is proposed for sentiment analysis. The model is trained using Indonesian tweets data regarding public opinions on the plan for subsidizing the purchase of electric vehicles in Indonesia. The data is classified into positive, negative, and neutral sentiments, and it is found that the composition of these sentiments is imbalanced, with the positive class having fewer data compared to the other classes. To address this issue, the SMOTE resampling method is used to balance the data in the positive class with the other classes. The performance of the fastText-CNNBiLSTM model is measured by accuracy, precision, recall, and f1-score. The research results show that the hybrid model CNN-BiLSTM achieves the highest accuracy, precision, recall, and f1-score compared to the single models CNN and BiLSTM. Models with fastText word embedding also outperform models without fastText (with standard word embedding). Overall, the hybrid model fastText-CNN-BiLSTM is found to outperform other models in terms of performance."

"Pesatnya perkembangan teknologi saat ini menjadi salah satu faktor berkembangnya media sosial. Pengguna media sosial khususnya di Indonesia sudah tidak diragukan lagi jumlahnya. Dari tingginya tingkat penggunaan media sosial, penelitian terkait data pada media sosial kerap dilakukan. Penelitian yang populer dilakukan adalah analisis sentimen. Analisis sentimen adalah kegiatan untuk mengklasifikasikan sentimen data tekstual ke dalam kelas positif atau negatif. Metode yang kerap digunakan adalah metode berbasis machine learning yaitu Convolutional Neural Network (CNN) dan Long-short Term Memory (LSTM). Metode CNN sudah terbukti baik digunakan untuk data tekstual. Adapun model gabungan yaitu LSTM-CNN yang sudah terbukti memberikan hasil lebih baik dibanding model CNN. Selanjutnya akan dilakukan analisis sentimen menggunakan model LSTM-CNN. Namun, metode berbasis machine learning hanya efektif digunakan pada satu domain saja. Berdasarkan hal tersebut, dikembangkanlah lifelong learning. Lifelong learning adalah metode dalam machine learning yang menerapkan pembelajaran berkelanjutan terhadap lebih dari satu domain. Lifelong learning pada machine learning meniru bagaimana manusia mempelajari sesuatu berdasarkan apa yang sudah dipelajari selanjutnya. Pada skripsi ini, akan dilakukan penelitian model LSTM-CNN untuk permasalahan lifelong learning analisis sentimen terhadap lima data berbahasa Indonesia. Lima data set tersebut akan digunakan sebagai data pembelajaran secara berkelanjutan terhadap suatu model LSTM-CNN. Evaluasi model akan dilakukan pada setiap proses pembelajaran yang dilakukan. Hasil yang diperoleh adalah perkembangan akurasi pada setiap proses pembelajaran terhadap suatu data set.

---

The rapid development of technology is currently one of the factors in the development of social media. There are no doubt about the number of social media users, especially in Indonesia. From the high level of use of social media, research related to data on social media is often done. Popular research is sentiment analysis. Sentiment analysis is an activity to classify textual data sentiments into positive or negative classes. The method often used is machine learning-based methods, namely Convolutional Neural Network (CNN) and Long-short Term Memory (LSTM). The CNN method has been proven good for textual data. The combined model is LSTM-CNN which has been proven to provide better results than the CNN model. Then sentiment analysis will be performed using the LSTM-CNN model. However, machine learning based methods are only effective in one domain. Based on this, lifelong learning was developed. Lifelong learning is a method in machine learning that applies continuous learning to more than one domain. Lifelong learning in machine learning mimics how humans learn something based on what has been learned next. In this thesis, LSTM-CNN model research will be conducted for the problem of lifelong learning sentiment analysis of five Indonesian-language data. The five data sets will be used as continuous learning data on an LSTM-CNN model. Evaluation of the model will be carried out in each learning process that is carried out. The results obtained are the development of accuracy in each learning process of a data set."