Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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.

"

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."

"Perkembangan teknologi informasi khususnya internet di Indonesia terbilang sangat pesat. Media sosial hadir sebagai sarana baru dalam berkomunikasi dengan perantara internet. Salah satu media sosial pemicu hal tersebut adalah twitter. Banyak sekali variasi topik yang dihasilkan para pengguna twitter. Setiap topik yang dihasilkan memiliki nilai sentimen. Nilai sentimen dibagi menjadi positif, negatif, dan netral. Untuk mengetahui nilai sentimen, digunakanlah analisis sentimen. Namun dengan banyaknya pengguna twitter, akan memakan waktu banyak untuk mengetahui nilai sentimen. Sehingga digunakanlah Support Vector Machine (SVM). Tetapi SVM hanya bisa mengklasifikasikan 2 kelas. Sehingga diperlukan pendekatan Multiclass. terdapat dua cara dalam melakukan pendekatan Multiclass, yaitu pendekatan One Vs One dan One Vs All.

---

The growth of information technology, especially the Internet in Indonesia, is rapidly increasing. Social media is the new way to communicate with other users on the internet. Twitter is one of the social media that contribute the growth. There are many topics that are generated by the users. Each topic that is generated by the users has the sentiment value. The sentiment value is divided into positive, negative, and neutral. To determine the value of the sentiment, we need to use the sentiment analysis. However, with so many twitter users, it will take a lot of time. That is why we use Support Vector Machine (SVM). However, SVM can only classify two classes. Therefore, we need multiclass approach. There are two ways of doing multiclass approach: One Vs One and One vs All."

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."

"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."

"Perkembangan teknologi informasi dan komunikasi (TIK) yang pesat menuntut inovasi dalam pengembangan aplikasi juga berkembang cepat. Aplikasi Tokopedia Seller merupakan salah satu aplikasi utama milik PT Tokopedia yang diperuntukkan bagi penjual dalam melakukan kegiatan operasional penjualan produk. Aplikasi yang baru diluncurkan di Android ini tergolong aplikasi perintis dan memerlukan banyak masukan dari pengguna, salah satunya dari Google Play Store. Akan tetapi, banyaknya ulasan yang masuk dan beragamnya opini, mengakibatkan proses analisis sentimen dan aspek ulasan menjadi lambat dan banyak terlewat. Oleh karena itu, perlu dilakukan suatu penelitian yang mengusulkan sistem otomatis untuk melakukan analisis sentimen berbasis aspek. Tujuan dari usulan sistem otomatis ini adalah untuk memudahkan proses analisis ulasan pengguna. Adapun data ulasan yang digunakan sebagai masukan eksperimen bersumber dari Google Play Store sejumlah 6.221 data berlabel dari Juli – September 2021. Penelitian ini menunjukkan bahwa algoritma Support Vector Machine (SVM) yang dipadukan dengan SMOTE menghasilkan performa yang paling baik dibandingkan dengan CNN dan Logistic Regression dengan accuracy 54%, precision 48%, dan recall 52% untuk mengklasifikan sentimen. Selaras dengan analisis sentimen, SVM dengan SMOTE juga menghasilkan performa yang lebih baik dengan accuracy 40%, precision 41%, dan recall 40%. Kondisi data ulasan yang cenderung singkat yakni kurang dari 10 kata, mengakibatkan performa klasifikasi kurang optimal.

---

The rapid development of information and communication technology (ICT) requires innovation in the field of application development. The Tokopedia Seller application is one of the main applications owned by PT Tokopedia which develops for sellers in carrying out product sales operational activities. It was just launched on Android, and it is classified as a pioneering application and requires a lot of input from users, one of which is from the Google Play Store. However, due to a lot of reviews came in, it makes the process of sentiment analysis and aspect review being slow and many being missed. Therefore, it is necessary to conduct a study that proposes a automatic system to perform aspect-based sentiment analysis. The purpose of this automated system proposal is to simplify the process of analyzing user reviews. The review of the data used as experimental input sourced from the Google Play Store with a total of 6,221 data labeled from July – September 2021. This study shows that the Support Vector Machine (SVM) algorithm combined with SMOTE produces the best performance compared to CNN and Logistic Regression with 54% accuracy, 48% precision, and 52% recall for classifying sentiments. In line with sentiment analysis, SVM with SMOTE also produces better performance with 40% accuracy, 41% precision, and 40% recall. The condition of the short review data is less than 10 words, resulting in a less than optimal classification performance."

"Indonesia merupakan salah satu negara yang sempat terimbas COVID-19. Hal itu berdampak pada sektor pariwisata, khususnya industri perhotelan di Indonesia. Meskipun begitu, sekarang sektor pariwisata di Indonesia mulai pulih kembali, khususnya untuk industri perhotelan. Badan Pusat Statistik (BPS) mencatat bahwa pada tahun 2023, tingkat penghunian kamar (TPK) hotel bintang bahkan mengalami kenaikan dibandingkan dengan tahun 2022, kenaikan hotel bintang mencapai 51,12%. Dengan meningkatnya permintaan terhadap tingkat hunian hotel, ulasan yang diberikan oleh pelanggan terhadap hotel menjadi hal yang penting untuk dianalisis. Salah satu jenis analisis yang dapat dilakukan terhadap ulasan-ulasan tersebut adalah analisis sentimen untuk mengklasifikasi sentimen yang terkandung dalam ulasan ke dalam kelompok-kelompok sentimen tertentu. Walaupun model-model deep learning seperti Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) atau bahkan model hybrid dan fully-connected layer neural network dengan representasi Bidirectional Encoder Representations from Transformers (BERT) terbukti menghasilkan kinerja yang baik dalam melakukan analisis sentimen, tetapi beberapa masalah yang umumnya dihadapi adalah fleksibilitas, efisiensi waktu, dan sumber daya yang dibutuhkan dalam penggunaannya. Oleh sebab itu, metode GPT berbasis prompt dapat menjadi salah satu solusi untuk permasalahan tersebut. Dengan menggunakan GPT berbasis prompt, pengguna dapat langsung memanfaatkan pengetahuan dan pemahaman bahasa yang telah diperoleh model GPT selama proses pelatihan pada korpus teks yang sangat besar. Hal ini memungkinkan model untuk menghasilkan prediksi sentimen yang akurat tanpa perlu melalui proses pelatihan yang panjang dan kompleks. Penelitian ini menganalisis dan membandingkan kinerja Large Language Model BERT dan GPT sebagai metode untuk analisis sentimen berbahasa Indonesia. Hasil Penelitian menunjukkan bahwa rata-rata kinerja model GPT secara keseluruhan lebih unggul dibandingkan model BERT dengan fully-connected layer neural network (BERT-NN) untuk dataset tiket.com, PegiPegi, dan Traveloka. Secara spesifik, model GPT dengan pendekatan zero-shot memiliki rata-rata kinerja yang paling unggul dibandingkan dengan pendekatan one-shot dan few-shot. Untuk rata-rata kinerja terhadap ketiga dataset tersebut, GPT dengan pendekatan zero-shot memberikan peningkatan sebesar 1,28%, 1,45%, dan 6,2% untuk metrik akurasi, F1-score, dan sensitivity secara berurutan terhadap kinerja BERT-NN. Hasil ini menunjukkan potensi metode GPT berbasis prompt sebagai alternatif yang efisien dan fleksibel secara penggunaan untuk analisis sentimen pada ulasan hotel berbahasa Indonesia.

---

Indonesia was one of the countries affected by COVID-19. This impacted the tourism sector, particularly the hotel industry in Indonesia. However, the tourism sector in Indonesia is now beginning to recover, especially for the hotel industry. The Central Statistics Agency (BPS) recorded that in 2023, the occupancy rate of star-rated hotels even increased compared to 2022, with the increase reaching 51.12%. With the rising demand for hotel occupancy rates, customer reviews of hotels have become important to analyze. One type of analysis that can be performed on these reviews is sentiment analysis to classify the sentiments contained in the reviews into specific sentiment groups. Although deep learning models such as Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), or even hybrid models and fully-connected layer neural networks with Bidirectional Encoder Representations from Transformers (BERT) representation have been proven to produce good performance in sentiment analysis, some common problems faced are flexibility, time efficiency, and resources required for their use. Therefore, prompt-based GPT methods can be a solution to these problems. By using prompt-based GPT, users can directly leverage the knowledge and language understanding that the GPT model has acquired during training on a vast text corpus. This allows the model to generate accurate sentiment predictions without going through a long and complex training process. This study analyzes and compares the performance of BERT and GPT Large Language Models as methods for Indonesian language sentiment analysis. The results show that the average overall performance of the GPT model is superior to the BERTmodel with a fully-connected layer neural network (BERT-NN) for datasets from tiket.com, PegiPegi, and Traveloka. Specifically, the GPT model with a zero-shot approach has the most superior average performance compared to the one-shot and few-shot approaches. For the average performance across these three datasets, GPT with a zero-shot approach provides improvements of 1.28%, 1.45%, and 6.2% for accuracy, F1-score, and sensitivity metrics, respectively, compared to BERT-NN performance. These results demonstrate the potential of prompt-based GPT methods as an efficient and flexible alternative for sentiment analysis on Indonesian language hotel reviews."

"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."

"Pandemi covid-19 di Indonesia yang terjadi pada tahun 2020 telah mengubah berbagai aspek di setiap lini masyarakat Indonesia, termasuk cara masyarakat berbelanja. Regulasi terkait pembatasan akses dan jarak memaksa masyarakat Indonesia bertransformasi menggunakan aplikasi daring untuk memenuhi kebutuhan sehari-hari. Salah satu aplikasi daring yang penggunaannya meningkat adalah penggunaan aplikasi grosir daring seperti HappyFresh, Sayurbox, dan TaniHub. Peningkatan transaksi tidak serta merta menggambarkan bahwa layanan yang diberikan oleh ketiga aplikasi itu baik, keluhan pelanggan masih ditemukan pada media sosial seperti Twitter dan ulasan pengguna aplikasi di Google Play Store. Penelitian ini bertujuan untuk menghitung Net Brand Reputation (NBR) dari ketiga aplikasi dengan melakukan analisis sentimen analisis. Data yang digunakan berasal dari Twitter dan ulasan pengguna di Google Playstore dalam rentang waktu Januari 2020 hingga Maret 2021. Model klasifikasi analisis sentimen dibuat dengan menggunakan tiga algoritma klasifikasi Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree. Hasil dari penelitian didapatkan aplikasi Happyfresh, Sayurbox, dan TaniHub memiliki sentimen positif di masyarakat. Aplikasi grosir daring yang memiliki nilai NBR terbesar adalah Tanihub, kedua adalah Happyfresh, dan yang terakhir adalah Sayurbox.

---

The COVID-19 pandemic in Indonesia that occurred in 2020 has changed various aspects in every line of Indonesian society, including the way people shop. Regulations related to access and distance restrictions force Indonesians to transform using online applications to meet their daily needs. One of the online applications whose use is increasing is the use of online wholesale applications such as HappyFresh, Sayurbox, and TaniHub. The increase in transactions does not necessarily illustrate that the services provided by the three applications are good, customer complaints are still found on social media such as Twitter and application user reviews on the Google Play Store. This study aims to calculate the Net Brand Reputation (NBR) of the three applications by performing sentiment analysis. The data used comes from Twitter and user reviews on the Google Playstore in the period January 2020 to March 2021. The sentiment analysis classification model is created using three classification algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree. The results of the study showed that Happyfresh, Sayurbox, and TaniHub applications had positive sentiments in the community. The online wholesale application that has the largest NBR value is Tanihub, the second is Happyfresh, and the last is Sayurbox."