Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Munculnya Cryptocurrency telah menjadi tantangan masif terhadap sistem keuangan terpusat. Namun, skandal FTX dan Terra-Luna telah menurunkan kepercayaan investor terhadap cryptocurrency sebagai alternatif aset investasi. Studi ini mengkaji sinergi antara imbal hasil crypto dan sentimen investor, dalam konteks opini negatif yang didorong oleh peristiwa FTX dan Terra-Luna. Dengan menggunakan data lebih dari 700,000 komentar pada platform Reddit, kami mengidentifikasi setiap sentimen menggunakan metode berbasis deep-learning model untuk menyusun indeks sentimen investor. Temuan kami menunjukkan bahwa sinergi positif dan signifikan ditemukan pada periode kasus FTX, namun tidak pada periode Terra-Luna. Temuan kami menunjukan urgensi akan keuangan terdesentralisasi, guna mengikis faktor dari kesalahan manusia. ......The rise of Cryptocurrency has been a massive challenge to the centralized financial system. On the other hand, FTX and Terra-Luna scandals have declined investor confidence in cryptocurrency as an alternative to investment assets. This paper examines the synergy between crypto returns and investor sentiments, as the negative opinions that are driven by FTX and Terra-Luna events. Using data from more than 700,000 Reddit comments, we identify each sentiment using deep learning models to construct an investor sentiment index. Our findings lend that a positive and significant synergy was found in the FTX period, but not in the Terra-Luna period. Our findings show the urgency of decentralized finance to reduce the factor of human error.

Abstrak :
ABSTRAK
Skripsi ini akan membahas implementasi perancangan aplikasi data mining yang ditulis menggunakan bahasa pemrograman Java untuk mendapatkan konten media sosial terkait sentimen mengenai pengalaman pembelajaran dari pelajar di Indonesia. Aplikasi Java yang dirancang akan meminta masukan kata kunci pencarian kepada pengguna, untuk kemudian dilakukan pencarian menggunakan library twitter4j untuk dapat mengakses endpoint search/tweets.json yang terdapat pada Twitter core API. Setelah melakukan pencarian konten media sosial, aplikasi akan menuliskan hasil pencarian ke dalam berkas spreadsheet untuk dianalisis lebih lanjut. Hasil dari spreadsheet tersebut kemudian dilakukan perhitungan untuk masing-masing keyword nya dan ada pengkategorian lebih lanjut untuk sentimen negatif. Hasil dari pengambilan data yang berjumlah 2000 tweet menunjukkan sentimen positif mempunyai persentase paling sedikit, yaitu 596 (30%), sentimen negatif berjumlah 600 (30%) dan sentimen netral persentasenya paling besar, yaitu 804 (40%). Lalu untuk pengkategorian sentimen negatif, kategori 3 yaitu Emosi Negatif berjumlah paling banyak dengan jumlah 303 tweet (50%). Sedangkan kategori 1, 2, 4 dan 5 masing-masing mempunyai persentase 12%, 11%, 9% dan 18%.

---

ABSTRACT
This thesis discuss about data mining application design written in Java language program to get social media content regarding learning experience sentiment from student across Indonesia. Designed Java application will inquire searching keywords from users and then it will search using library twitter4j to access endpoint search/tweets.json in Twitter core API. After searching process, the application will write the search result into spreadsheet for further analysis. The data result saved in the spreadsheet will be compute for each keywords and there will be further classification for negative sentiment result. Sample from 2000 tweets shows positive sentiment has the least percentage, about 596 tweets (30%), negative sentiment has 600 tweets (30%) and neutral sentiment has the biggest value, 804 tweets (40%). For negative sentiment classification, Negative Emotion as category 3 has the most tweets with 304 tweets (50%). Meanwhile, category 1,2,4 and 5 have percentages with each value consist 12%, 11%, 9% and 18%.

Abstrak :
Pandemi Covid-19 telah melanda Indonesia selama lebih dari satu tahun. Hal tersebut menyebabkan terhentinya kegiatan normal di berbagai sektor kehidupan masyarakat, khususnya dalam dunia pendidikan. Setelah lebih dari satu tahun menutup kegiatan belajar tatap muka, Pemerintah kembali merencanakan kembalinya pendidikan tatap muka. Meskipun pendidikan tatap muka dinilai lebih efektif, akan tetapi bahaya Covid-19 yang semakin mudah menular menyebabkan kekhawatiran di dalam masyarakat. Untuk itu, pemerintah wajib menampung aspirasi rakyatnya. Salah satunya adalah dengan menggunakan metode sentimen analisis. Dengan mengkombinasikan feature yang terdapat pada data Twitter, maka kita bisa membangun sebuah model untuk mengklasifikasi opini masyarakat. Penelitian ini juga membandingkan algoritma machine learning Support Vector Machine (SVM) dan Multi-layer Perceptron (MLP). Hasilnya, penambahan feature dan penggunaan algoritma (SVM) dalam mengklasifikasikan model Sentiment-Neutral menghasilkan nilai akurasi dan F-1 Score terbaik (85,78% dan 81,0%). Selain itu, visualisasi menggunakan Scattertext berhasil merepresentasikan teks dalam suatu plot. Hasilnya adalah mayoritas masyarakat yang mendukung kembalinya pendidikan tatap muka berdasarkan kepercayaan bahwa pendidikan tatap muka lebih efektif dibandingkan dengan pendidikan online. Di sisi lain, masyarakat juga takut akan bahayanya virus Covid-19. ......The Covid-19 pandemic has hit Indonesia for more than a year. This causes the cessation of daily activities in various sectors in Indonesia, especially in the education sector. After more than a year banning face-to-face learning activities, the Government is now planning to unban the face-to-face education. Although face-to-face education is considered more effective, the danger of Covid-19 which is easily transmitted causing concern amongst people. Because of that, the government must accommodate the aspirations of the people. One of them is by using sentiment analysis method. By combining the features contained in the Twitter data, we can build a model to classify public opinions. This study also compares machine learning algorithms Support Vector Machine (SVM) and Multi-layer Perceptron (MLP). As a result, the addition of features and the use of the SVM algorithm in classifying the Sentiment-Neutral model resulted in the best accuracy and F-1 scores (85.78% and 81.0%). In addition, visualization using Scattertext successfully represents text in a plot. The result is the majority of people who support the return of face-to-face education based on the belief that face-to-face education is more effective than online education. On the other hand, people are also afraid of the dangers of the Covid-19 virus.

Abstrak :
Pada penelitian ini dilakukan analisis sentimen berita konstituen indeks LQ45 terhadap pergerakan indeks LQ45 dengan mempertimbangkan intensitas berita. Dua metode analisis sentimen digunakan pada penelitian ini, pertama kamus Lougran dan McDonald sebagai ukuran sentimen keuangan. Kedua analisis sentimen TextBlob sebagai ukuran sentimen umum. Model Capital Asset Price (CAPM), Auto regresi (AR), Vektor Auto Regresi (VAR), tes kausalitas Granger, serta korelasi bergulir digunakan untuk melihat dinamika hubungan antara sentimen berita dan pergerakan indeks. Penelitian ini menemukan bahwa Intensitas berita menurun ketika terjadi krisis. Menariknya, intensitas berita meningkat secara drastis setelah kasus Covid-19 pertama. Sentimen berita memiliki korelasi dengan indeks cukup besar. Korelasi tersebut lebih besar ketika intensitas berita meningkat. Penelitian ini menemukan sentimen lebih memberikan efek lebih signifikan dalam kondisi intensitas berita yang lebih tinggi. Berdasarkan hasil temuan tersebut sentimen berita merupakan salah satu faktor pembentuk harga yang tidak dapat diabaikan dalam analisis selanjutnya. ......This study analyzed the sentiment of the constituent news of the LQ45 index on its index movement by considering the news intensity. Two Sentiment analysis methods are used in this study.   The Loughran and McDonald's dictionary as a measure of financial sentiment, then TextBlob sentiment analysis as a measure of general sentiment. Capital Asset Pricing Model (CAPM), Autoregression (AR), Vector Auto Regression (VAR), Granger Causality test and rolling correlation are used to investigate the dynamic relationship between news sentiment and index movement. This research found that news intensity decreased during the financial crisis. Interestingly, news intensity increased significantly after the first Covid-19 case. Then the constituent news sentiment has a relatively strong correlation with the index movement. The correlation value is more significant when the intensity increases. This research found that the news sentiments have a more significant impact in the higher intensity condition. Derived from these findings, we concluded that news sentiment is one of the unignorably price-forming factors in further analysis.

Abstrak :
Tesis ini membahas mengenai evaluasi analisis sentimen tools vs human. Pada penelitiannya, tools yang digunakan adalah brand24 dan ripple10. Perlu diketahui brand24 merupakan digital listening tools yang berasal dari Polandia sedangkan ripple10 berasal dari Indonesia. Pada tools analisa sentimen dilakukan menggunakan algoritma. Sedangkan pada human analisa sentimen dilakukan secara tematik. Adapun metode yang digunakan pada penelitian ini adalah kuantitatif. Hasilnya, tools memang memudahkan kerja manusia. Namun, dalam menganalisis sentimen masih diperlukannya campur tangan manusia untuk memastikan validitasnya. Lainnya, variabel kategori topik dan lambang dapat mempengaruhi analisa suatu sentimen sedangkan bahasa dan karakter tidak terlalu berpengaruh. ......This thesis discusses the evaluation of sentiment analysis tools vs human. In this research, the tools used are brand24 and ripple10. Brand24 is a digital listening tool from Poland, while ripple10 is from Indonesia. Sentiment analysis tools are carried out using an algorithm. While in human sentiment analysis is done thematically. The method used in this research is quantitative. As a result, tools help human work easier. But, in analyzing sentiment, human intervention is still needed to ensure the validity. On the other hand, topic and symbol category variables can influence the analysis of a sentiment, while language and character have little effect.

Abstrak :
Kepuasan pelanggan merupakan salah satu faktor penting bagi keberhasilan suatu bisnis, termasuk pada industri jasa penerbangan yang mengalami peningkatan dari tahun ke tahun. Salah satu cara untuk mengukur tingkat kepuasan pelanggan adalah dengan cara penyampaian opini atau ulasan. Opini atau ulasan disampaikan melalui pesan singkat, kotak saran, media sosial maupun halaman web sehingga data yang tersedia berjumlah banyak. Pendekatan text mining tepat digunakan untuk mengekstrak informasi dari data ulasan yang berjumlah banyak secara otomatis. Penelitian ini mengevaluasi dan menganalisis ulasan pelanggan terhadap layanan dan fasilitas Bandara Soekarno-Hatta yang merupakan bandara terbesar di Indonesia. Penelitian ini mengombinasikan pendekatan text mining berupa analisis sentimen dan text summarization. Teknik klasifikasi digunakan untuk mengidentifikasi sentimen positif atau negatif yang terkandung dalam kalimat ulasan. Teknik klasifikasi yang digunakan adalah support vector machine yang cocok digunakan untuk data yang berjumlah besar dan na ve bayes classifier yang hanya membutuhkan jumlah data latihan yang kecil untuk menentukan estimasi parameter dalam proses pengklasifikasian. Text summarization dengan teknik k-medoids clustering digunakan untuk memperoleh kalimat representatif yang menggambarkan keseluruhan isi ulasan. Hasil dari teknik klasifikasi pada penelitian ini menunjukkan bahwa algoritme support vector machine menghasilkan nilai akurasi yang lebih tinggi dibandingkan algoritme na ve bayes classifier dalam menganalisis sentimen. Tahap text summarization dengan teknik k-medoids clustering menghasilkan nilai Davies-Bouldin Index yang mendekati nol. Luaran dari penelitian ini berupa identifikasi aspek layanan dan fasilitas bandara yang menjadi kekuatan dan kelemahan serta penentuan prioritas perbaikan dan peningkatan kualitas aspek layanan dan fasilitas yang masih menjadi kelemahan. ...... Customer satisfaction is an important factor for the business rsquo success, including airline service industry which is increasing from year to year. One way to measure customer satisfaction level is by customer opinions or reviews. Opinions or reviews are conveyed via short messages, suggestion boxes, social media and web pages so customer reviews provided are numerous. Text mining is a right approach to extract information from a large number of review data automatically. This study evaluates and analyzes customer reviews of services and facilities of Soekarno Hatta Airport as the largest airport in Indonesia. This study combines text mining approach of sentimental analysis and text summarization. The classification technique is used to identify the positive or negative sentiments contained in the review sentence. The classification technique used is a support vector machine suitable for large amounts of data and na ve bayes classifier which requires only a small amount of exercise data to determine parameter estimation in the classification process. Text summarization with k medoids clustering technique is used to obtain representative sentences that describe the entire contents of the review. The results of the classification technique in this study indicate that support vector machine algorithm has a higher accuracy value than na ve bayes classifier algorithm in analyzing sentiments. Text summarization stage with k medoids clustering technique yields a near zero Davies Bouldin Index value. The output of this research is identification of service aspect and airport facility which become the strength and weakness as well as the improvement prioritization of aspects that still become weakness.

Abstrak :
Penelitian analisis sentimen sudah banyak dikaji untuk berbagai bahasa, termasuk bahasa Indonesia. Namun sayangnya, belum terdapat penelitian benchmarking analisis sentimen untuk teks berbahasa Indonesia. Hal ini menyebabkan kesulitan bagi para peneliti untuk mendapatkan informasi mengenai metode klasifikasi dengan performa terbaik pada saat ini. Dengan adanya permasalahan tersebut, penelitian ini dilakukan dengan tujuan membantu memberikan arahan untuk penelitian sentimen analisis dalam bahasa Indonesia. Untuk dapat memberikan arahan, penelitian ini berusaha untuk membandingkan pendekatan klasifikasi sentimen rule-based, machine learning dan deep learning serta teknik ekstraksi fitur untuk mendapatkan skenario analisis sentimen terbaik. Berdasarkan hasil eksperimen penelitian, ditunjukkan bahwa klasifikasi terbaik dicapai oleh deep learning, disusul dengan metode klasifikasi machine learning dan rule-based. Pencapaian nilai terbaik pada klasifikasi menggunakan deep learning diperoleh menggunakan model BERT. Untuk klasifikasi menggunakan machine learning, didapatkan bahwa nilai F1-Score terbaik diperoleh saat digunakan metode klasifikasi Logistic Regression dengan teknik ekstraksi fitur kombinasi unigram dengan leksikon kombinasi. Sedangkan untuk klasifikasi rule-based nilai F1-Score tertinggi didapatkan menggunakan metode klasifikasi adjektiva. ...... Currently, there have been many kinds of research done on sentiment analysis. However, there are no papers on sentiment analysis benchmarks for the Indonesian language. Due to the absence of such research, it became difficult for researchers to get information about classifiers with the best performance. Because of this problem, this research is conducted so it would be easier for researchers to get information and direction on doing Indonesian sentiment analysis. In this paper, we held an experiment comparing sentiment classification using rule-based, machine learning, and deep learning and comparing feature extraction techniques to achieve the best sentiment analysis scenario. Based on our experiments in this research, prediction using deep learning classification gave the best result compared to machine learning and rule-based classification. Using deep learning classification, the BERT model is used to get the best result. The best F1-Score for machine learning classification is obtained using a Logistic Regression classifier alongside a combination of unigram and combined lexicon feature extraction. Meanwhile, the best F1-Score for the rule-based classification is obtained using the Adjective classification method

Abstrak :
Lambatnya proses hukum dan ketidaksesuaian sanksi mengakibatkan masyarakat di dunia siber berupaya untuk mencapai keadilan melalui vigilantisme digital, khususnya doxing yang menargetkan pelaku kejahatan. Tulisan ini melakukan analisis sentimen reaksi atas serangan doxing terhadap pelaku dalam kasus MD. Kasus yang dipilih dalam tulisan ini adalah penganiayaan oleh tiga pelaku yaitu MD, AG, dan SL terhadap DO. Data dikumpulkan sejak 20 Februari 2023 hingga 20 Maret 2023 dari Twitter dan dianalisis sentimennya dengan algoritma Naive Bayes. Hasilnya, 57,4% warganet mendukung doxing dan 42,% sisanya menolak doxing. Terdapat dua pembahasan utama dalam sentimen positif yaitu pendalihan dalam dukungan terhadap perilaku doxing dan doxing sebagai bentuk keadilan informal. Di sisi lain, pembahasan dalam sentimen negatif berkisar pada dampak doxing bagi pelaku kejahatan serta penolakan terhadap doxing sebagai upaya melindungi anak. ......The slow pace of the legal process and the inappropriateness of sanctions have resulted in cyber communities seeking to achieve justice through digital vigilantism, particularly doxing that targets perpetrators. This paper analyzes the sentiment of reactions to doxing attacks against perpetrators in the MD case. The case chosen in this paper is the mistreatment of DO by three perpetrators, MD, AG, and SL. Data was collected from February 20, 2023 to March 20, 2023 from Twitter and analyzed for sentiment with the Naive Bayes algorithm. As a result, 57.4% of netizens supported doxing and the remaining 42.% rejected doxing. There are two main discussions in the positive sentiment, namely the diversion in support of doxing behavior and doxing as a form of informal justice. On the other hand, the discussion in the negative sentiment revolves around the impact of doxing for criminals and the rejection of doxing as an effort to protect children.

Abstrak :
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.

Abstrak :
Pandemi COVID-19 memiliki dampak yang buruk terhadap ketenagakerjaan di Indonesia. Masalah pengangguran di Indonesia menjadi salah satu perhatian publik dalam dua tahun ini. Pada Agustus 2020, yaitu sebesar 9,8 juta orang dan Agustus 2021, yaitu sebesar 9,1 juta orang. Dengan adanya kondisi tersebut, pemerintah perlu melakukan pembenahan terhadap masalah tingkat pengangguran yang ada saat ini. Melihat kondisi tersebut, pemerintah perlu melakukan perbaikan terkait masalah pengangguran saat ini. Tujuan utama dari penelitian ini adalah untuk mengetahui bagaimana opini masyarakat mengenai upaya pemerintah dalam mengatasi masalah pengangguran selama pandemi COVID-19 di Indonesia. Analisis sentimen dilakukan terhadap opini masyarakat dengan menggunakan media sosial Twitter sebagai sumber data. Untuk mengukur kinerja model digunakan tiga algoritma yaitu Naïve Bayes, Decision Tree, dan Random Forest. Hasil pada penelitian ini adalah terdapat label positif yang memiliki 1710 sentimen, dan untuk label negatif yang memiliki 1553 sentimen. Untuk algoritma terbaik yang dihasilkan pada penelitian ini adalah Random Forest, yaitu dengan nilai akurasi sebesar 79%. Penelitian ini juga menghasilkan 15 fitur yang berpengaruh terhadap topik penelitian. Untuk fitur berpengaruh dengan bobot positif tertinggi adalah ‘abai’. Sedangkan untuk fitur berpengaruh dengan bobot negatif tertinggi adalah ‘materai’. ......The COVID-19 pandemic has had a negative impact on employment in Indonesia. The problem of unemployment in Indonesia has become one of the public's concerns in the past two years. In August 2020, which was 9.8 million people and August 2021, which was 9.1 million people. Given these conditions, the government needs to make improvements to the problem of the current unemployment rate. Seeing these conditions, the government needs to make improvements related to the current unemployment problem. The main purpose of this research is to find out how the public opinion regarding the government's efforts in overcoming the unemployment problem during the COVID-19 pandemic in Indonesia. Sentiment analysis was carried out on public opinion using Twitter as a data source. To measure the performance of the model, three algorithms are used, namely Nave Bayes, Decision Tree, and Random Forest. The results of this study are positive labels that have 1710 sentiments, and negative labels that have 1553 sentiments. The best algorithm produced in this study is Random Forest, with an accuracy value of 79%. This research also produces 15 features that influence the research topic. For the influential feature with the highest positive weight is 'ignore'. Meanwhile, the influential feature with the highest negative weight is 'stamp'.