Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pendeteksian topik merupakan suatu proses pengidentifikasian suatu tema sentral yang ada dalam kumpulan dokumen yang luas dan tidak terorganisir. Hal ini merupakan hal sederhana yang bisa dilakukan secara manual jika data yang ada hanya sedikit. Untuk data yang banyak dibutuhkan pengolahan yang tepat agar representasi topik dari setiap dokumen didapat dengan cepat dan akurat sehingga machine learning diperlukan. BERTopic adalah metode pemodelan topik yang memanfaatkan teknik clustering dengan menggunakan model pre-trained Bidirectional Encoder Representations from Transformers (BERT) untuk melakukan representasi teks dan Class based Term Frequency Invers Document Frequency (c-TF-IDF) untuk ekstraksi topik. Metode clustering yang digunakan pada penelitian ini adalah metode ­K-Means, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), dan Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN). BERT dipilih sebagai metode representasi teks pada penelitian ini karena BERT merepresentasikan suatu kalimat berdasarkan sequence-of-word dan telah memperhatikan aspek kontekstual kata tersebut dalam kalimat. Hasil representasi teks merupakan vektor numerik dengan dimensi yang besar sehingga perlu dilakukan reduksi dimensi menggunakan Uniform Manifold Approximation and Projection (UMAP) sebelum clustering dilakukan. Model BERTopic dengan tiga metode clustering ini akan dianalisis kinerjanya berdasarkan matrik nilai coherence, diversity, dan quality score. Nilai quality score merupakan perkalian dari nilai coherence dengan nilai diversity. Hasil simulasi yang didapat adalah model BERTopic menggunakan metode clustering K-Means lebih unggul 2 dari 3 dataset untuk nilai quality score dari kedua metode clustering yang ada.

---

Topic detection is the process of identifying a central theme in a large, unorganized collection of documents. This is a simple thing that can be done manually if there is only a small amount of data. For large amounts of data, proper processing is needed to represent the topic of each document quickly and accurately, so machine learning is required. BERTopic is a topic modeling method that utilizes clustering techniques by using pre-trained Bidirectional Encoder Representations from Transformers (BERT) models to perform text representation and Class based Term Frequency Inverse Document Frequency (c-TF-IDF) for topic extraction. The clustering methods used in this research are the K-Means, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), and Hierarchical Density-Based Spatial Clustering of Applications with Noise (HDBSCAN). BERT was chosen as the text representation method in this research because BERT represents a sentence based on sequence-of-words and has considered the contextual aspects of the word in the sentence. The result of text representation is a numeric vector with large dimensions, so it is necessary to reduce the dimensions using Uniform Manifold Approximation and Projection (UMAP) before clustering is done. The BERTopic model with three clustering methods will be analyzed for performance based on the matrix of coherence, diversity, and quality score values. The quality score value is the multiplication of the coherence value with the diversity value. The simulation results obtained are the BERTopic model using K-Means clustering method is superior to 2 of the 3 datasets for the quality score value of the two existing clustering methods."

"Universitas T memiliki rencana (roadmap) untuk mengembangkan berbagai jenis Metaverse di masa depan. Namun, ada kekhawatiran bahwa roadmap yang telah dibuat mungkin tidak sesuai dengan kebutuhan masyarakat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen dan pemodelan topik tentang Metaverse di media sosial guna memberikan wawasan yang penting bagi roadmap pengembangan Metaverse di Universitas T dengan memperhatikan pendapat dan sentimen masyarakat. Data yang digunakan dalam penelitian ini adalah twit berbahasa Indonesia yang dikumpulkan dari bulan Agustus 2021 hingga April 2023. Untuk analisis, digunakan pustaka LazyPredict yang menghasilkan lima model klasifikasi, yaitu Bernoulli Naive Bayes (BernoulliNB), Nearest Centroid, Calibrated Classifier CV, Logistic Regression, dan Linear Support Vector Classification (LinearSVC). Hasil menunjukkan bahwa model BernoulliNB memiliki performa terbaik dengan nilai rata-rata F1 sebesar 0,788. Selain itu, penelitian ini juga mengidentifikasi topik-topik yang dibahas terkait dengan Metaverse menggunakan pustaka Bertopic. Temuan menunjukkan adanya topik negatif seperti ketidakpastian pengembangan Metaverse, skeptisisme terhadap teknologi baru, keterbatasan infrastruktur internet, kekhawatiran etika dan syariah, ketidakpastian legalitas, kekhawatiran privasi dan keamanan, serta skeptisisme terhadap kesiapan Indonesia dalam membangun Metaverse. Di sisi lain, topik positif meliputi peluncuran Metaverse Jagat Nusantara, potensi kripto dalam konteks Metaverse, perubahan nama Facebook menjadi Meta, konser virtual di Metaverse, kehidupan di dunia Metaverse, pengembangan teknologi Metaverse di dalam negeri, transformasi digital dan inovasi di era Metaverse, penggunaan blockchain, kripto, dan NFT dalam teknologi Metaverse, serta Manasik Haji di Metaverse. Hasil analisis sentimen dan pemodelan ini dapat memberikan wawasan yang berharga bagi Universitas T dalam memahami tren dan pandangan masyarakat terkait Metaverse. Hal ini akan membantu universitas dalam mengevaluasi roadmap Metaverse yang telah dibuat untuk memastikan kesesuaiannya dengan kebutuhan masyarakat.

---

Universitas T has a roadmap to develop various types of Metaverse in the future. However, there are concerns that the existing roadmap may not align with the needs of society. Therefore, this research aims to analyze the sentiment and topic modeling related to Metaverse on social media to provide valuable insights for the development roadmap of Metaverse at Universitas T, taking into account the opinions and sentiments of the public. The data used in this study are Indonesian tweets collected from August 2021 to April 2023. The LazyPredict library is utilized for analysis, which generates five classification models: Bernoulli Naive Bayes (BernoulliNB), Nearest Centroid, Calibrated Classifier CV, Logistic Regression, and Linear Support Vector Classification (LinearSVC). The results show that the BernoulliNB model performs the best with an F1 score of 0.788. Additionally, this research identifies various topics discussed in relation to Metaverse using Bertopic library. Findings indicate the presence of negative topics such as uncertainty in Metaverse development, skepticism towards new technologies, limitations of internet infrastructure, ethical and Sharia concerns, legal uncertainties, privacy and security concerns, as well as skepticism about Indonesia's readiness in building the Metaverse. On the other hand, positive topics include the launch of Metaverse Jagat Nusantara, the potential of cryptocurrencies in the context of Metaverse, the name change of Facebook to Meta, virtual concerts in the Metaverse, life in the Metaverse world, domestic Metaverse technology development, digital transformation and innovation in the era of Metaverse, the use of blockchain, cryptocurrencies, and NFTs in Metaverse technology, as well as Manasik of Hajj in the Metaverse. The results of sentiment analysis and topic modeling can provide valuable insights for Universitas T to understand the trends and public perspectives regarding Metaverse. This will assist the university in evaluating the existing Metaverse roadmap to ensure its alignment with the needs of society."

"Perkembangan bank digital di Indonesia semakin pesat. Salah satunya adalah Bank Neo Commerce dengan aplikasi Neobank sebagai platform utama untuk transaksi digital. Hingga tahun 2024, aplikasi ini telah diunduh lebih dari 25 juta kali, tetapi hanya memiliki rating 3,5/5, yang lebih rendah dibandingkan dengan aplikasi bank digital lainnya. Dengan jumlah unduhan yang tinggi tetapi rating yang rendah, analisis sentimen level topik pada ulasan pengguna sangat penting untuk memahami kepuasan dan persepsi pengguna. Analisis sentimen pada umumnya dilakukan menggunakan Long Short-Term Memory (LSTM). Namun, LSTM memiliki tiga limitasi utama, yaitu ketidakmampuan untuk merevisi keputusan penyimpanan, kapasitas penyimpanan terbatas, dan kurangnya paralelisasi karena memory mixing. Untuk mengatasi hal tersebut, xLSTM diusulkan dengan memperkenalkan dua modifikasi utama pada LSTM, yaitu exponential gating dan struktur memori baru. Penelitian ini menerapkan analisis sentimen menggunakan arsitektur Extended Long Short-Term Memory (xLSTM) dan pendeteksian topik menggunakan BERTopic. Analisis dilakukan pada data ulasan aplikasi Neobank serta tiga dataset e-commerce, yaitu Shopee, Tokopedia, dan Lazada. Empat konfigurasi xLSTM (1:0, 0:1, 1:1, dan 7:1) dibandingkan dengan model LSTM dan Attention menggunakan metrik evaluasi accuracy, precision, recall, dan F1 score. Hasil menunjukkan bahwa xLSTM secara konsisten mengungguli model pembanding, dengan konfigurasi xLSTM[7:1] memberikan kinerja terbaik dengan rata-rata evaluasi accuracy 83,34% ± 0,80%, precision 83,56% ± 0,85%, recall 82,54% ± 1,00%, dan F1 score 82,61% ± 0,86%.. Analisis sentimen terhadap 100.000 ulasan Neobank menunjukkan bahwa 55,5% ulasan bersentimen positif. Proses pendeteksian topik menggunakan BERTopic dilakukan melalui embedding SBERT, reduksi dimensi UMAP, clustering HDBSCAN, representasi topik dengan c-TF-IDF, dan interpretasi label topik menggunakan model LLM Gemma 2. Hasil akhir menghasilkan CV coherence score sebesar 0,646 dan 15 topik utama, dengan tujuh topik didominasi sentimen positif dan enam topik negatif, terutama terkait login, verifikasi wajah, dan program referral.

---

The development of digital banking in Indonesia has grown rapidly. One prominent example is Bank Neo Commerce, which provides Neobank as its main platform for digital transactions. By 2024, the application has been downloaded more than 25 million times, yet it holds a relatively low rating of 3.5/5, lower than other digital banking applications. With high download numbers but a low rating, topic-level sentiment analysis on user reviews becomes crucial to understand user satisfaction and perception Sentiment analysis is commonly performed using LSTM. However, LSTM has three main limitations: the inability to revise storage decisions, limited memory capacity, and lack of parallelism due to memory mixing. To overcome these issues, xLSTM has been proposed by introducing two major modifications to LSTM, namely exponential gating and a new memory structure. This study applies sentiment analysis using the Extended Long Short-Term Memory (xLSTM) architecture and topic modeling using BERTopic. The analysis was conducted on reviews from the Neobank application and three e-commerce platforms: Shopee, Tokopedia, and Lazada. Four xLSTM configurations (1:0, 0:1, 1:1, and 7:1) were compared against LSTM and Attention-based models using accuracy, precision, recall, and F1 score as evaluation metrics. The results show that xLSTM consistently outperformed the baseline models, with the xLSTM[7:1] configuration achieving the best performance, averaging 83,34% ± 0,80% accuracy, 83,56% ± 0,85% precision, 82,54% ± 1,00% recall, and 82,61% ± 0,86% F1 score across all datasets. Sentiment analysis on 100,000 Neobank user reviews revealed that 55.5% were classified as positive sentiment. Topic modeling using BERTopic was carried out through SBERT embedding, dimensionality reduction with UMAP, clustering using HDBSCAN, topic representation with c-TF-IDF, and topic label interpretation using the LLM model Gemma 2. The final result yielded a CV coherence score of 0.646 and 15 main topics, with eight topics dominated by positive sentiment and six by negative sentiment, mainly related to login issues, facial verification, and referral programs."