Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Saat ini media sosial merupakan sarana komunikasi yang tidak terlepas dari penyebaran ujaran kebencian yang cukup meresahkan penggunanya. Sejak tahun 2018 KOMINFO telah menangani sebanyak 3.640 ujaran kebencian yang tersebar di berbagai media sosial. Selain itu SafeNet telah menangani kasus Kekerasan Berbasis Gender Online (KBGO) pada tahun 2021 sebanyak 677 aduan yang didominasi dengan kasus pelecehan seksual. Disisi lain Sejak tahun 2020 Komnas Perempuan mencatat kasus kekerasan yang terjadi dalam komunitas dan ranah publik Indonesia sebesar 21 % (1.731 kasus) dengan kasus kekerasan seksual yang paling mendominasi. Banyaknya jenis ujaran kebencian yang berbeda-beda menyebabkan banyak tantangan dalam mendeteksi ujaran kebencian termasuk dalam domain kekerasan seksual. Tujuan dari penelitian ini adalah menghasilkan model klasifikasi ujaran kebencian kekerasan seksual dengan performa dan tingkat akurasi yang baik sehingga dapat dimanfaatkan secara teori bagi akademisi dan praktikal bagi lembaga seperti KOMINFO, SafeNet, LBH APIK Jakarta, Komnas Perempuan, POLRI. Data yang digunakan pada penelitian ini adalah hasil crawling media sosial twitter pada bulan Desember 2021 hingga Januari 2022. Dengan menggunakan pendekatan Machine Learning, dataset diolah dengangan teknik ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF), beberapa teknik sampling seperti Random Over Sampling (ROS), Random Under Sampling (RUS), Synthetic Minority Over-sampling Technique (SMOTE), dan Adaptive Synthetic (ADASYN) serta beberapa algoritma klasifikasi seperti Nave bayes (NB), Support Vector Machine (SVM), Logistic Regresion (LR), Decition Tree (DT), Random Forest (RF), Gradient Boosting Machine (GBM) dan Extreme Gradient Boosting (XGBoost). Penelitian ini menghasilkan akurasi tertinggi sebesar 0.9239 dimana Algoritma terbaik didominasi oleh SVM dan RF. Implikasi penelitian ini secara teori adalah perbandingn hasil klasifikasi 35 model klasifikasi dan secara praktik dapat diimplementsikan pada Lembaga yang memiliki sistem pendeteksi ujaran kebencian.   ......Currently, social media is a means of communication that cannot be separated from the spread of hate speech which is quite disturbing for its users. Since 2018, KOMINFO has handled 3,640 hate speech spread across various social media. SafeNet has handled cases of Online Gender-Based Violence (KBGO) in 2021 as many as 677 complaints, which were dominated by cases of sexual harassment. In 2020 Komnas Perempuan has recorded 21% of cases of violence occurring in the Indonesian community/public sphere (1,731 cases) with the most prominent case being sexual violence. Different types of hate speech cause many challenges in detecting such hate speech. The purpose of this study is to produce a classification model of sexual violence hate speech with good performance and accuracy so that it can be used theoretically for academics and practically for institutions such as KOMINFO, SafeNet, LBH APIK Jakarta, Komnas Perempuan, and POLRI. The data used in this study is the result of crawling social media twitter from December 2021 to January 2022. By using a Machine Learning approach, the dataset is processed using the Term Frequency-Inverse Document Frequency (TF-IDF) feature extraction technique, several sampling techniques such as Random Over Sampling (ROS), Random Under Sampling (RUS), Synthetic Minority Over-sampling Technique (SMOTE), and Adaptive Synthetic (ADASYN) as well as several classification algorithms such as Nave Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), Random Forest (RF), Gradient Boosting Machine (GBM) and Extreme Gradient Boosting (XGBoost). This research produces the highest accuracy of 0.9239 where the best algorithm is dominated by SVM and RF. The theoretical implication of this research is the comparison of the classification results of 35 classification models and practically it can be implemented in institutions that have a hate speech detection system.

Abstrak :
Banyaknya ulasan aplikasi Info BMKG yang belum pernah diolah menyulitkan pengembang aplikasi dalam mengembangkan fitur berdasarkan masukan pengguna. Ulasan pengguna aplikasi terdapat informasi penting yang dapat dijadikan rujukan oleh pengembang untuk meningkatkan kualitas layanan aplikasi. Penelitian ini bertujuan untuk membuat model klasifikasi terbaik terhadap ulasan pengguna aplikasi Info BMKG. Dataset yang digunakan berasal dari ulasan pengguna aplikasi Info BMKG di Google Play Store sebanyak 10.286 data. Klasifikasi ulasan dibagi ke dalam dua label, yaitu label relevansi dan label kategori. Label relevansi terdiri atas kelas relevan dan tidak relevan. Untuk label kategori terbagi empat kelas yaitu bug report, user request, weather information performance (layanan cuaca), dan earthquake information performance (layanan gempa bumi). Algoritme klasifikasi yang digunakan adalah Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, dan Random Forest. Penelitian ini menghasilkan dua model untuk klasifikasi relevansi dan klasifikasi kategori. Hasil pemodelan klasifikasi terbaik untuk relevansi diraih oleh SVM dengan nilai akurasi sebesar 92,61%. Sedangkan untuk klasifikasi kategori, hasil pemodelan terbaik diraih oleh Random Forest dengan nilai akurasi sebesar 87,69%. Kedua model terbaik melalui teknik over-sampling pada dataset dan normalisasi koreksi ejaan pada tahap prapemrosesan. Untuk ekstraksi fitur terbaik pada model klasifikasi relevansi menggunakan unigram dengan TF-IDF dan panjang teks. Sementara pada model klasifikasi kategori hanya menggunakan unigram dengan TF-IDF saja. ......A large number of unprocessed Info BMKG app reviews makes it difficult for app developers to develop features based on user input. App user reviews contain important information that can be used as a reference by developers to improve the service quality of the app. This study aims to create the best classification model for user reviews of the Info BMKG app. Dataset used comes from user reviews of the Info BMKG app on the Google Play Store of 10,286 data. Review classification is divided into two labels, namely the relevance label and the category label. The relevance label consists of relevant and irrelevant classes. Category labels are divided into four classes, namely bug reports, user requests, weather information performance (weather services), and earthquake information performance (earthquake services). The classification algorithm used is Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, and Random Forest. This research produces two models for relevance classification and category classification. Best classification modeling results for relevance were achieved by SVM with an accuracy value of 92.61%. For category classification, the best modeling results were achieved by Random Forest with an accuracy value of 87.69%. The two best models are over-sampling techniques on the dataset and normalization of spelling corrections at the pre-processing stage. The best feature extraction in the relevance classification model was carried out with the TF-IDF unigram and text length. Meanwhile, the category classification model only uses the TF-IDF unigram.

Abstrak :
Brand equity merupakan hal yang dapat memberikan manfaat bagi nilai keseluruhan perusahaan di mata konsumen. Mengetahui hal tersebut, pengukuran terhadap brand equity dilakukan baik oleh perusahaan sebagai penilaian performa individual maupun oleh organisasi eksternal yang bertujuan sebagai ajang evaluasi kategori pasar tertentu. Seperti halnya yang dilakukan oleh Frontier Group melalui Top Brand Awards. Agar ajang penghargaan seperti Top Brand Awards dapat menghasilkan hasil yang akurat, tentunya diperlukan data dengan jumlah yang besar dan variatif. Untuk mendapatkan hal tersebut, penggunaan metode survei konvensional berpotensi untuk menggunakan biaya dan tenaga yang besar. Dengan tingginya angka penggunaan sosial media di Indonesia, hal ini memicu peneliti untuk mencoba menemukan alternatif yang dapat mengurangi cost dari metode konvensional tersebut, yaitu dengan memanfaatkan data yang berasal dari media sosial, tepatnya data tweet pada platform Twitter. Penelitian dilakukan terhadap sampel 4 kategori dari Top Brand Awards dari tahun 2015 hingga 2021, yaitu ISP Fixed, Jasa Transportasi Online, Situs Jual Beli Online, dan Jasa Kurir. Data tweet didapatkan dan diolah melalui pendekatan text mining. Text analysis dilakukan berdasarkan pemetaan model data terhadap atribut yang dimiliki oleh model brand equity. Adapun atribut dari model brand equity yaitu brand loyalty, brand associations/ awareness, dan perceived quality ditentukan melalui proses Systematic literature Review (SLR). Proses text mining memanfaatkan atribut tweet seperti rawContent, likeCount, dan retweetCount untuk menghasilkan skor brand equity dari setiap merek di tiap kategori sampel berdasarkan tahun tweet. Skor tersebut digunakan sebagai perbandingan terhadap ground truth, yaitu peringkat dan skor setiap brand pada Top Brand Index. Sebagai hasil, didapatkan bahwa pengukuran brand equity melalui pendekatan text mining mendapatkan skor kemiripan hingga sebesar 83.72% terhadap pendekatan konvensional yang didapatkan pada Top Brand Awards. ...... Brand equity is a factor that can provide benefits to the overall value of the company in the perspective of a consumer. Keeping that in mind, measurement towards brand equity is performed either by each company as an individual performance evaluation or by an external organization with the purpose of evaluating certain market categories. As present in the case of Frontier Group through the Top Brand Awards. In order to produce accurate results, large and varied amounts of data are necessary which potentially use large amounts of cost and effort. With the increasing number of social media usage in Indonesia, triggers an idea of finding alternatives that can reduce the costs of conventional methods, mainly by utilizing data originating from social media, which is tweet data from Twitter platform to be exact. Research is conducted on a sample of 4 categories from the Top Brand Awards in a period from 2015 to 2021. Tweet data is obtained and processed through a text mining approach. Text analysis is carried out based on the mapping of the data model to the attributes of the brand equity model. The attributes of the brand equity model, namely brand loyalty, brand associations/ awareness, and perceived quality are determined through a Systematic Literature Review (SLR) process. The text mining process utilizes tweet attributes such as rawContent, likeCount, and retweetCount for generating a brand equity score for each brand on every sample category based on the year of the tweet. This score is going be used as a comparison to the ground truth, which is the ranking and score of each brand on the Top Brand Index. As a result, it was found that measuring brand equity through the text mining approach obtained a similarity score of up to 83.72% against the conventional approach obtained at the Top Brand Awards.

Abstrak :
Brand equity merupakan hal yang dapat memberikan manfaat bagi nilai keseluruhan perusahaan di mata konsumen. Mengetahui hal tersebut, pengukuran terhadap brand equity dilakukan baik oleh perusahaan sebagai penilaian performa individual maupun oleh organisasi eksternal yang bertujuan sebagai ajang evaluasi kategori pasar tertentu. Seperti halnya yang dilakukan oleh Frontier Group melalui Top Brand Awards. Agar ajang penghargaan seperti Top Brand Awards dapat menghasilkan hasil yang akurat, tentunya diperlukan data dengan jumlah yang besar dan variatif. Untuk mendapatkan hal tersebut, penggunaan metode survei konvensional berpotensi untuk menggunakan biaya dan tenaga yang besar. Dengan tingginya angka penggunaan sosial media di Indonesia, hal ini memicu peneliti untuk mencoba menemukan alternatif yang dapat mengurangi cost dari metode konvensional tersebut, yaitu dengan memanfaatkan data yang berasal dari media sosial, tepatnya data tweet pada platform Twitter. Penelitian dilakukan terhadap sampel 4 kategori dari Top Brand Awards dari tahun 2015 hingga 2021, yaitu ISP Fixed, Jasa Transportasi Online, Situs Jual Beli Online, dan Jasa Kurir. Data tweet didapatkan dan diolah melalui pendekatan text mining. Text analysis dilakukan berdasarkan pemetaan model data terhadap atribut yang dimiliki oleh model brand equity. Adapun atribut dari model brand equity yaitu brand loyalty, brand associations/ awareness, dan perceived quality ditentukan melalui proses Systematic literature Review (SLR). Proses text mining memanfaatkan atribut tweet seperti rawContent, likeCount, dan retweetCount untuk menghasilkan skor brand equity dari setiap merek di tiap kategori sampel berdasarkan tahun tweet. Skor tersebut digunakan sebagai perbandingan terhadap ground truth, yaitu peringkat dan skor setiap brand pada Top Brand Index. Sebagai hasil, didapatkan bahwa pengukuran brand equity melalui pendekatan text mining mendapatkan skor kemiripan hingga sebesar 83.72% terhadap pendekatan konvensional yang didapatkan pada Top Brand Awards. ...... Brand equity is a factor that can provide benefits to the overall value of the company in the perspective of a consumer. Keeping that in mind, measurement towards brand equity is performed either by each company as an individual performance evaluation or by an external organization with the purpose of evaluating certain market categories. As present in the case of Frontier Group through the Top Brand Awards. In order to produce accurate results, large and varied amounts of data are necessary which potentially use large amounts of cost and effort. With the increasing number of social media usage in Indonesia, triggers an idea of finding alternatives that can reduce the costs of conventional methods, mainly by utilizing data originating from social media, which is tweet data from Twitter platform to be exact. Research is conducted on a sample of 4 categories from the Top Brand Awards in a period from 2015 to 2021. Tweet data is obtained and processed through a text mining approach. Text analysis is carried out based on the mapping of the data model to the attributes of the brand equity model. The attributes of the brand equity model, namely brand loyalty, brand associations/ awareness, and perceived quality are determined through a Systematic Literature Review (SLR) process. The text mining process utilizes tweet attributes such as rawContent, likeCount, and retweetCount for generating a brand equity score for each brand on every sample category based on the year of the tweet. This score is going be used as a comparison to the ground truth, which is the ranking and score of each brand on the Top Brand Index. As a result, it was found that measuring brand equity through the text mining approach obtained a similarity score of up to 83.72% against the conventional approach obtained at the Top Brand Awards.

Abstrak :
Perkembangan teknologi dan digital juga meningkatkan kemudahan mengakses internet. Salah satu aspek kehidupan sehari-hari yang dipengaruhi oleh adopsi teknologi dan internet adalah bidang transaksi pembayaran. Transaksi pembayaran tidak dapat dipisahkan dari kehidupan sehari-hari. Pada saat ini dengan perkembangan teknologi, transaksi pembayaran dapat dilakukan dengan lebih praktis, mudah, aman dan nyaman. Teknologi ini disebut Teknologi Keuangan. Pembayaran mobile adalah layanan yang merupakan bagian dari teknologi keuangan. Aspek yang terkandung dalam pembayaran seluler adalah aplikasi, isi ulang, transfer, penarikan tunai, pembayaran online, dan pembayaran offline. Ketiga sumber ulasan yang digunakan yaitu Google Play Store, App Store, dan Twitter secara umum menunjukkan frekuensi aspek pada ulasan sama, namun tidak semua menunjukkan presentase sentiment yang sama. Tingkat akurasi model klasifikasi yang dihasilkan oleh semua ulasan untuk klasifikasi kombinasi unigram dan bigram menghasilkan tingkat akurasi yang lebih tinggi daripada hanya unigram. Penelitian ini diharapkan dapat bermanfaat bagi perusahaan sebagai bahan evaluasi untuk selalu meningkatkan kualitas layanannya dan juga bagi masyarakat sebagai bahan referensi pemilihan aplikasi mobile payment yang akan digunakan. ...... The development of technology and digital has also increased the ease of accessing the internet. One aspect of daily life that are affected by the adoption of technology and the internet is the field of payment transactions. Payment transactions are inseparable from everyday life. At this time with the development of technology, payment transactions can be done with the more practical, easy, safe and convenient. The technology is called Financial Technology. Mobile payment is a service that is part of financial technology. The aspects contained in the mobile payment are top up, transfers, cash withdrawals, online payment, and offline payments. The three review sources used, namely Google Play Store, App Store, and Twitter generally show the frequency of aspects in the same review, but not all show the same percentage of sentiment. The accuracy of the classification model produced by all the reviews for the classification of unigram and bigram combinations results in a higher level of accuracy than just unigram. This research is expected to be useful for the company as an evaluation material to always improve the quality of its services and also for the community as a reference material for selecting the mobile payment application that will be used.

Abstrak :
Brand equity merupakan hal yang dapat memberikan manfaat bagi nilai keseluruhan perusahaan di mata konsumen. Mengetahui hal tersebut, pengukuran terhadap brand equity dilakukan baik oleh perusahaan sebagai penilaian performa individual maupun oleh organisasi eksternal yang bertujuan sebagai ajang evaluasi kategori pasar tertentu. Seperti halnya yang dilakukan oleh Frontier Group melalui Top Brand Awards. Agar ajang penghargaan seperti Top Brand Awards dapat menghasilkan hasil yang akurat, tentunya diperlukan data dengan jumlah yang besar dan variatif. Untuk mendapatkan hal tersebut, penggunaan metode survei konvensional berpotensi untuk menggunakan biaya dan tenaga yang besar. Dengan tingginya angka penggunaan sosial media di Indonesia, hal ini memicu peneliti untuk mencoba menemukan alternatif yang dapat mengurangi cost dari metode konvensional tersebut, yaitu dengan memanfaatkan data yang berasal dari media sosial, tepatnya data tweet pada platform Twitter. Penelitian dilakukan terhadap sampel 4 kategori dari Top Brand Awards dari tahun 2015 hingga 2021, yaitu ISP Fixed, Jasa Transportasi Online, Situs Jual Beli Online, dan Jasa Kurir. Data tweet didapatkan dan diolah melalui pendekatan text mining. Text analysis dilakukan berdasarkan pemetaan model data terhadap atribut yang dimiliki oleh model brand equity. Adapun atribut dari model brand equity yaitu brand loyalty, brand associations/ awareness, dan perceived quality ditentukan melalui proses Systematic literature Review (SLR). Proses text mining memanfaatkan atribut tweet seperti rawContent, likeCount, dan retweetCount untuk menghasilkan skor brand equity dari setiap merek di tiap kategori sampel berdasarkan tahun tweet. Skor tersebut digunakan sebagai perbandingan terhadap ground truth, yaitu peringkat dan skor setiap brand pada Top Brand Index. Sebagai hasil, didapatkan bahwa pengukuran brand equity melalui pendekatan text mining mendapatkan skor kemiripan hingga sebesar 83.72% terhadap pendekatan konvensional yang didapatkan pada Top Brand Awards. ...... Brand equity is a factor that can provide benefits to the overall value of the company in the perspective of a consumer. Keeping that in mind, measurement towards brand equity is performed either by each company as an individual performance evaluation or by an external organization with the purpose of evaluating certain market categories. As present in the case of Frontier Group through the Top Brand Awards. In order to produce accurate results, large and varied amounts of data are necessary which potentially use large amounts of cost and effort. With the increasing number of social media usage in Indonesia, triggers an idea of finding alternatives that can reduce the costs of conventional methods, mainly by utilizing data originating from social media, which is tweet data from Twitter platform to be exact. Research is conducted on a sample of 4 categories from the Top Brand Awards in a period from 2015 to 2021. Tweet data is obtained and processed through a text mining approach. Text analysis is carried out based on the mapping of the data model to the attributes of the brand equity model. The attributes of the brand equity model, namely brand loyalty, brand associations/ awareness, and perceived quality are determined through a Systematic Literature Review (SLR) process. The text mining process utilizes tweet attributes such as rawContent, likeCount, and retweetCount for generating a brand equity score for each brand on every sample category based on the year of the tweet. This score is going be used as a comparison to the ground truth, which is the ranking and score of each brand on the Top Brand Index. As a result, it was found that measuring brand equity through the text mining approach obtained a similarity score of up to 83.72% against the conventional approach obtained at the Top Brand Awards.