Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Dalam dunia politik dewasa ini, penggunaan media sosial sebagai media untuk menyampaikan dukungan politik dan untuk berkampanye sudah menjadi hal yang sangat sering dilakukan. Twitter adalah salah satu dari media sosial yang sering digunakan untuk kampanye, hal ini karena kelebihan Twitter yang bersifat formal dan beruntun secara waktu. Namun Twitter juga memiliki kelemahan seperti tidak adanya keterangan demografis sehingga susah untuk diolah. Maka dari itu penelitian ini bertujuan untuk mencari tahu pola demografi dari pendukung masing-masing pasangan calon Presiden Indonesia 2019 pada Twitter berbahasa Indonesia. Dalam mencari demografi, penelitian ini menggunakan metode klasifikasi teks dan menggunakan kamus nama dan jenis kelamin. Kamus nama dan jenis kelamin yang digunakan berasal dari data pemilih tetap KPU. Label demografi yang digunakan antara lain, laki-laki, perempuan, generasi Z, generasi milenial, generasi X+, luar jawa dan jawa. Untuk menentukan pilihan dukungan, penelitian ini menggunakan metode sentimen analisis yang cocok digunakan untuk kalimat pendek yaitu metode SentiStrength. Hasil dari penelitian ini menunjukkan bahwa mayoritas pengguna Twitter yang aktif berbincang berkaitan dengan politik pemilihan presiden dan wakil presiden Indonesia 2019 adalah perempuan dengan kategori umur milenial atau rentang umur 25-39 tahun. ......In today’s political world, the use of social media as a medium to convey political views and using it for campaign has become a very common thing. Social media can be used to express one’s expression both in supporting a political party and someone who is running for politics. Twitter is one of the social media that is often used for campaign, this is because of Twitter’s unformal and chronological feature. But Twitter also has weakness such as the absence of demographic information. Therefore this study aims to find out the demographic patterns of supporter of each Indonesian Presidential candidate 2019 on Indonesian language Twitter. For searching the demographics, this study using text classification method and dictionary of names and genders. The dictionary comes from KPU permanent voter data. Demographic labels used in this study consist of male, female, generation Z, millennial generation, generation X+, outside Java and Java. To determine the political preference, this study uses the sentiment analysis method that is suitable for short sentences, namely the SentiStrength method. The results of this study indicate that the majority of Twitter users who actively talk related to the politics of 2019 Presidential and Vice Presidential elections are women with millennial age categories or 25-39 years old.

Abstrak :
Platform digital, termasuk aplikasi mobile, mempunyai peran penting dalam gig economy, yaitu sebagai media gig worker dalam berinteraksi dengan penyedia layanan tenaga kerja. Aplikasi mobile berbasis gig economy semakin diminati masyarakat. Peningkatan jumlah pengguna mengakibatkan meningkatnya jumlah unduhan dan ulasan yang diberikan. Namun, semakin banyak ulasan menyulitkan pengembang dalam memahami informasi yang terdapat dalam ulasan. Selain itu, satu ulasan dapat memiliki berbagai informasi. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan model yang dapat mengkategorikan konten dan sentimen ulasan menggunakan teknik pembelajaran mesin. Algoritme Support Vector Machine (SVM), Multinomial Naïve Bayes, Complement Naïve Bayes, Binary Relevance, Classifier Chain, dan Label power set digunakan pada penelitian ini. Hasil dari penelitian didapatkan algoritme SVM sebagai algoritme terbaik, baik pada klasifikasi sentimen ulasan maupun kategorisasi ulasan. ......Digital platforms, including mobile applications, have an important role in gig economy, as a gig worker platform in interacting with labor service providers. Gig economy based mobile applications are increasingly in demand by the public. An increase in the number of users results in an increase in the number of downloads and reviews provided. However, the number of reviews makes it difficult for developers to understand the information contained in reviews. In addition, one review can have a variety of information. To overcome this problem, this study proposes a model that can categorize content and sentiment reviews using machine learning techniques. Support Vector Machine (SVM), Multinomial Naïve Bayes, Complement Naïve Bayes, Binary Relevance, Classifier Chain, and Label power sets were used in this study. The results of the study obtained the SVM algorithm as the best algorithm, both in the classification of sentiment reviews and review categorization.