Hasil Pencarian  ::  Simpan CSV :: Kembali

"Laporan tahunan merupakan dokumen resmi yang dipublikasikan oleh perusahaan, organisasi, ataupun Lembaga kementrian untuk menyajikan informasi terkait kinerja dan kondisi organisasi. Menganalisis laporan tahunan memerlukan banyak waktu karena dokumen memuat jumlah halaman dan kata yang sangat banyak. Maka dari itu terdapat metode yang dapat menganalisis dengan cepat dan objektif dengan bidang ilmu big data yaitu topic modelling. Metode topic modelling yang digunakan adalah Latent Dirichlet allocation (LDA) untuk menganalisis laporan tahunan Kementrian Kelautan dan Perikanan(KKP) Indonesia dari tahun 2015-2022. Metrik evaluasi yang digunakan dengan menghitung nilai koherensi dari setiap model yang dibuat pada setiap tahun laporan. Sehingga dapat menghasilkan topik-topik utama dari laporan tahunan KKP. Diharapkan hasil dari topic modelling dari laporan tahunan dapat menjadi informasi berharga terkait potensi perikanan dan kelautan di Indonesia.

---

Annual reports are official documents published by companies, organizations, or ministries to present information related to the performance and condition of the organization. Analyzing the annual report takes a lot of time because the document contains a very large number of pages and words. Therefore, there is a method that can analyze quickly and objectively with the field of big data science, namely topic modeling. The topic modeling method used is Latent Dirichlet allocation (LDA) to analyze the annual report of the Ministry of Marine Affairs and Fisheries (KKP) Indonesia from 2015- 2022. The evaluation metric using the coherence score of each model created in each year of the annual report. So that it can produce the main topics of the KKP annual report. It is expected that the results of topic modeling from annual reports can be valuable information related to the potential of fisheries and marine in Indonesia."

"PT. Indosat Tbk adalah salah satu perusahaan yang berkembang pada industri telekomunikasi. Namun, PT. Indosat Tbk memiliki permasalahan mengenai customer satisfaction yang cenderung menurun dari tahun ke tahun. Data media sosial, terutama twitter, menawarkan data mengenai opini publik yang sangat padat. Namun data twitter yang masih bersifat unstructured diperlukan proses lebih lanjut untuk dapat menemukan dimensi-dimensi beserta sentimen masyarakat terhadap dimensi tersebut. Latent Dirichlet Allocation (LDA) dengan Generative Statistical modelnya memungkinkan suatu set data pengamatan dapat dijelaskan oleh kelompok yang tidak teramati. Penelitian ini menentukan 30 kelompok kata representatif dari hasil LDA. Hasilnya terdapat 18 dimensi yang paling banyak dibicarakan mengenai Indosat pada linimasa twitter. Dimensidimensi tersebut mewakili 14 dimensi yang sudah ditemukan pada penelitian-penelitian sebelumnya mengenai kepuasan pelanggan pada layanan telekomunikasi, bahkan dengan LDA mendapatkan dimensi lebih detail dan lebih real time. Masing-masing dokumen dalam dimensi tersebut diberi label sentimennya, dan ditentukan akurasinya menggunakan supervised classification, hasilnya adalah 72% akurasi dengan model Naive Bayes Classification. Mengabaikan sentimen netral, sentimen negatif Indosat masih lebih tinggi daripada sentimen positifnya, yaitu dengan 16% sentimen negatif. Persentase negatif tersebut masih didominasi dengan dimensi berkaitan dengan layanan Indosat. Sementara dominasi sentimen positif ada pada dimensi yang berhubungan dengan ketersediaan layanan untuk pengguna.

---

PT. Indosat Tbk is One of the companies developing in the telecommunications industry. However, PT. Indosat Tbk is very concerned about customer satisfaction which tends to decrease from year to year. Social media media, especially Twitter, offer data about public opinion that is very crowded. However, the twitter data that is still unstructured requires a further process to be able to find the dimensions and sentiments of the community towards that dimension. Latent Dirichlet Allocation (LDA) with the Generative Statistics model allows a monitoring data set to be accessed by unobserved groups. This study determines 30 groups of words that represent the results of the LDA. There are 18 dimensions that are most talked about about Indosat on the Twitter timeline. These dimensions represent the 14 dimensions found in previous studies of customer satisfaction in telecommunications services, even with LDA getting more detailed and more real-time dimensions. Each document in this dimension is labeled sentiment, and its accuracy is determined using a supervised classification, obtained 72% accuracy with the Naive Bayes Classification model. Ignoring the negative sentiment, Indosat's negative sentiment was still higher than the positive sentiment, namely with a 16% negative sentiment. The negative percentage is still a comparison with Indosat services. While the dominance of positive sentiment is in the dimensions associated with service support for users."

"Pada tahun 2020, nilai customer satisfaction index (CSI) PT XYZ yang mempresentasikan kepuasan konsumen XYZ berjumlah 83.9. Angka ini gagal mencapai target PT XYZ di tahun tersebut yaitu 87, dan turun dari tahun sebelumnya yaitu 86,5 di tahun 2019. Berdasarkan pengambilan data, diketahui bahwa XYZ mengelola aduan konsumen hanya melalui Twitter. Dari ribuan tweet yang diterima akun resmi customer care PT XYZ (@XYZCares) tiap bulan di Twitter, diperkirakan hanya 1-2% yang dideteksi sebagai aduan dengan proses pengawasan manual. Penelitian ini merancang solusi dua langkah berupa implementasi social media listening dalam bentuk sentiment analysis dan topic modelling, untuk mengetahui isu dalam tweet aduan kepada XYZ. Dataset berupa kumpulan tweet yang menyebutkan @XYZCares pada kurun waktu 1 Januari 2020 - 31 Desember 2020. Data di-scrape dari Twitter menggunakan script Python. Hasil evaluasi secara cross-validation menunjukkan akurasi rerata sentiment analysis dengan algoritme SVM lebih akurat (77%) untuk kasus ini dibandingkan algoritme RF (75%). Untuk task pemodelan topik, algoritme LDA menghasilkan klaster topik sejumlah 4 dengan rerata TPC sebesar 80%. Diketahui bahwa topik yang dominan adalah isu korupsi dan suap di badan PT XYZ. Dengan mempertimbangkan penemuan tersebut, saran yang dapat diberikan berdasarkan penelitian ini adalah memberhentikan staf yang diduga terlibat dalam isu-isu tersebut, serta menerapkan good corporate governance berupa aspek pengawasan dan pencegahan korupsi.

---

The customer satisfaction index (CSI) for the year 2020 is calculated at 83.9. This value fails to reach the company’s target for the year at 87 and is lower than the CSI value for 2019 at 86.5. Data acquired from the company shows that consumer complaints are accepted and processed only through Twitter. It is estimated that of the thousands of tweets processed by PT XYZ’s official customer care account (@XYZCares) each month, only 1-2% of the tweets are considered complaints based on manual searching and classification. This research proposes a two-step solution by implementing social media listening in the form of sentiment analysis and topic modelling, to detect the most frequent issues addressed to XYZ. The dataset consists of tweets created from January 1st, 2020, to December 31st, 2020 which mentioned @XYZCares. The tweets were scraped from Twitter using Python scripts. The results of cross-validation show that for the task of sentiment analysis, SVM is a more accurate algorithm on average (77%) compared to Random Forest (75%). For the following task of topic modelling, the LDA algorithm model produced 4 topic clusters with an average TPC of 80%. The most dominant topic detected relate to allegations of bribery and corruption within PT XYZ. Taking these finds into consideration, this research suggests that PT XYZ immediately dismiss all staff implicated in the aforementioned cases, as well as implementing good corporate governance in the form of tighter supervision and prevention of corrupt dealings."

"Pada era digital saat ini, aplikasi Mobile Jaminan Kesehatan Nasional (JKN) telah menjadi alat penting dalam memudahkan akses dan manajemen layanan kesehatan masyarakat. Namun, untuk meningkatkan kualitas layanan dan kepuasan pengguna, perlu dilakukan analisis ulasan pengguna untuk memahami sentimen dan topik yang terkandung di dalamnya. Penelitian ini bertujuan untuk mengembangkan model analisis sentimen menggunakan metode Bidirectional Encoder Representations from Transformers (BERT) dan pendeteksian topik menggunakan metode Latent Dirichlet Allocation (LDA) pada ulasan pengguna aplikasi Mobile JKN. Penelitian ini menggunakan dataset yang terdiri dari ulasan pengguna aplikasi Mobile JKN yang dikumpulkan dari Play Store. Hasil dari penelitian ini menunjukkan bahwa model BERT yang dikembangkan berhasil mencapai akurasi sebesar 90% dalam melakukan analisis sentimen pada ulasan pengguna aplikasi Mobile JKN. Dari analisis sentimen tersebut, ditemukan bahwa dari 54.000 data yang akan dianalisis terdapat 14.748 data ulasan positif, 3.950 data ulasan netral, dan 35.302 data ulasan negatif yang terdeteksi oleh model BERT yang telah dikembangkan. Selanjutnya, melalui pendekatan LDA, penelitian ini juga berhasil mengidentifikasi 6 topik utama yang muncul dalam ulasan pengguna aplikasi Mobile JKN yang memiliki coherence value sebesar 0,466131. Topik-topik tersebut yaitu, topik pertama mengenai Pelayanan Mobile JKN, topik kedua perubahan data peserta, topik ketiga pembayaran iuran, topik keempat verifikasi nomor handphone, topik kelima update dan login pada aplikasi, dan topik keenam pendaftaran online. Hasil sentimen pada masing-masing topik menunjukkan bahwa topik 1, 2, dan 3 memiliki ulasan dengan sentimen positif lebih banyak daripada sentimen negatif, sedangkan topik 4, 5, dan 6 memiliki ulasan dengan sentimen negatif lebih banyak daripada sentimen positif. Demikian untuk topik mengenai verifikasi nomor handphone, update dan login pada aplikasi, dan pendaftaran online harus dilakukan evaluasi untuk perbaikan aplikasi Mobile JKN kedepannya.

---

In the current digital era, the National Health Insurance (Jaminan Kesehatan Nasional or JKN) mobile application has become an essential tool in facilitating access and management of healthcare services for the public. However, to improve service quality and user satisfaction, it is necessary to analyze user reviews to understand the sentiments and topics contained within them. This research aims to develop a sentiment analysis model using the Bidirectional Encoder Representations from Transformers (BERT) method and topic detection using the Latent Dirichlet Allocation (LDA) method on user reviews of the JKN mobile application. The research utilizes a dataset consisting of user reviews of the JKN application collected from the Play Store. The results of this study show that the developed BERT model successfully achieved an accuracy of 90% in sentiment analysis of user reviews of the JKN mobile application. From the sentiment analysis it is known that of the 54,000 data to be analyzed, there are 14,748 positive reviews, 3,950 neutral reviews, and 35,302 negative reviews detected by the BERT model that has been developed. Furthermore, through the LDA approach, this research also successfully identified 6 main topics that emerged in user reviews of the JKN mobile application with a coherence value of 0.466131. These topics are, the first topic regarding Mobile JKN Services, the second topic is changing participant data, the third topic is payment of contributions, the fourth topic is handphone number verification, the fifth topic is updating and logging in to the application, and the sixth topic is online registration. The sentiment results for each topic show that topics 1, 2, and 3 have reviews with more positive sentiment than negative sentiment, while topics 4, 5, and 6 have reviews with more negative sentiment than positive sentiment. So that for topics regarding handphone number verification, updating and logging into applications, and online registration, an evaluation must be carried out to improve the Mobile JKN application in the future."

"ABSTRAKEkstraksi topik merupakan tugas utama dalam penambangan teks sebagai upaya mengeluarkan informasi yang terpendam dalam teks secara heuristik. Proses ini dilakukan lewat pemodelan topik yakni sebuah proses mengidentifikasi topik- topik yang ada dalam sebuah objek teks atau menurunkan pola-pola tersembunyi dalam sebuah korpus teks. Dalam penelitian ini pemodelan topik diaplikasikan pada data teks berbahasa Indonesia menggunakan modul program bernama Gensim dalam bahasa pemrograman Python. Dataset terdiri dari 93 dokumen berita daring Kompas dengan beragam klasifikasi. Jumlah topik optimal yang diperoleh diuji menggunakan machine learning clustering k-means. Dalam proses penelitian ini ternyata diperlukan suatu mekanisma umpanbalik manual untuk mereduksi noise agar diperoleh pemodelan topik yang lebih baik. Hasil uji memperlihatkan teknik Latent Dirichlet Allocation LDA yang telah ditingkatkan / dimodifikasi LDA as LSI memiliki koherensi topik yang jauh lebih baik dibanding teknik LDA saja dalam penelitian ini: 0.94 dibanding 0.34 . Koherensi yang tinggi mengindikasikan bahwa topik hasil pemodelan ini merupakan topik yang dapat dijelaskan dengan sedikit label.

---

ABSTRACTTopic extraction is main task in text mining as an effort to dig buried information within text heuristically. This process is done through topic modeling, a process to identify topics within text object or to derive hidden patterns in a text corpus. In this research, topic modeling is applied to Indonesian language texts using Gensim module in Python programming language. The dataset consists of 93 online news documents from Indonesian national newspaper, Kompas, with several different classifications. The identified optimum number of topics k is visualized using clustering machine learning k means. In the process of this research turned out to need a mechanism of manual feedback for noise reduction in order to get better topic modeling. The test results show that enhanced modified Latent Dirichlet Allocation LDA as LSI has a much better topic coherence than LDA technique alone in this study 0.94 compared to 0.34 . High coherence indicates that topics resulting from this topic modeling is a topic that can be explained with few labels. "

"ABSTRAKPenggunaan layanan transportasi daring sebagai solusi permasalahan transportasi saat ini menjadi pusat perhatian. Manfaat dan kemudahan yang ditawarkan membuat banyak orang menggunakannya dalam kehidupan sehari-hari dan mendiskusikannya di media sosial. Akibatnya, penyedia jasa transportasi daring memanfaatkan media sosial untuk menangkap opini pelanggan dan memasarkan layanan mereka. Jika opini dan komentar pelanggan tentang transportasi daring dianalisis lebih lanjut, penyedia layanan dapat memperoleh masukan untuk mengevaluasi layanan mereka untuk memenuhi kepuasan pelanggan. Penelitian ini menggabungkan pendekatan text mining berupa analisis sentimen berbasis aspek untuk mengidentifikasi topik dalam opini pelanggan beserta sentimennya, dengan penilaian terhadap penyedia jasa transportasi daring secara umum dan secara spesifik berdasarkan topik dan sentimen yang dihasilkan. Penelitian ini menggunakan data opini pelanggan tiga penyedia jasa transportasi daring di Twitter. Data teks diklasifikasikan berdasarkan enam topik yang didapat dari proses pemodelan topik, beserta sentimennya. Penilaian terhadap ketiga penyedia jasa transportasi daring menggunakan jumlah komentar positif dan negatif dari masing-masing topik maupun secara keseluruhan. Hasil dari penelitian ini dapat digunakan sebagai masukan untuk melakukan evaluasi dan peningkatan layanan sehingga kepuasan dan loyalitas pelanggan dapat dipertahankan dan ditingkatkan.

---

ABSTRACTThe use of ride hailing service as a solution to current transportation problems is at the center of attention. The benefits and conveniences offered make many people use it in everyday life and discuss it in social media. As a result, ride hailing service providers utilize social media to capture customers rsquo opinions and market their services. If customers 39 opinions and comments about ride hailing service are analyzed further, service providers can get feedback to evaluate their services to meet customer satisfaction. This study combines text mining approach in the form of aspect based sentiment analysis to identify topics in customer opinions and their sentiments, with scoring for ride hailing service providers in general and specifically based on the topics and sentiments. This study used customers rsquo opinions to three ride hailing service providers on Twitter. Text data was classified based on six topics derived from the topic modeling process, along with its sentiments. Scoring for the three ride hailing service providers used the number of positive and negative comments from each topic as well as overall. The result of this study can be used as input to evaluate and improve the service so that customer satisfaction and loyalty can be maintained and improved."

"Pada tahun 2020, nilai customer satisfaction index (CSI) PT XYZ yang mempresentasi- kan kepuasan konsumen XYZ berjumlah 83.9. Angka ini gagal mencapai target PT XYZ di tahun tersebut yaitu 87, dan turun dari tahun sebelumnya yaitu 86,5 di tahun 2019. Berdasarkan pengambilan data, diketahui bahwa XYZ mengelola aduan konsumen hanya melalui Twitter. Dari ribuan tweet yang diterima akun resmi customer care PT XYZ (@XYZCares) tiap bulan di Twitter, diperkirakan hanya 1-2% yang dideteksi sebagai aduan dengan proses pengawasan manual. Penelitian ini merancang solusi dua langkah berupa implementasi social media listening dalam bentuk sentiment analysis dan topic modelling, untuk mengetahui isu dalam tweet aduan kepada XYZ. Dataset berupa kum- pulan tweet yang menyebutkan @XYZCares pada kurun waktu 1 Januari 2020 - 31 Desember 2020. Data di-scrape dari Twitter menggunakan script Python. Hasil evaluasi secara cross-validation menunjukkan akurasi rerata sentiment analysis dengan algoritme SVM lebih akurat (77%) untuk kasus ini dibandingkan algoritme RF (75%). Untuk task pemodelan topik, algoritme LDA menghasilkan klaster topik sejumlah 4 dengan rerata TPC sebesar 80%. Diketahui bahwa topik yang dominan adalah isu korupsi dan suap di badan PT XYZ. Dengan mempertimbangkan penemuan tersebut, saran yang dapat diberi- kan berdasarkan penelitian ini adalah memberhentikan staf yang diduga terlibat dalam isu-isu tersebut, serta menerapkan good corporate governance berupa aspek pengawasan dan pencegahan korupsi.

---

The customer satisfaction index (CSI) for the year 2020 is calculated at 83.9. This value fails to reach the company’s target for the year at 87 and is lower than the CSI value for 2019 at 86.5. Data acquired from the company shows that consumer complaints are ac- cepted and processed only through Twitter. It is estimated that of the thousands of tweets processed by PT XYZ’s official customer care account (@XYZCares) each month, only 1-2% of the tweets are considered complaints based on manual searching and classifica- tion. This research proposes a two-step solution by implementing social media listening in the form of sentiment analysis and topic modelling, to detect the most frequent issues addressed to XYZ. The dataset consists of tweets created from January 1st, 2020, to De- cember 31st, 2020 which mentioned @XYZCares. The tweets were scraped from Twitter using Python scripts. The results of cross-validation show that for the task of sentiment analysis, SVM is a more accurate algorithm on average (77%) compared to Random For- est (75%). For the following task of topic modelling, the LDA algorithm model produced 4 topic clusters with an average TPC of 80%. The most dominant topic detected relate to allegations of bribery and corruption within PT XYZ. Taking these finds into considera- tion, this research suggests that PT XYZ immediately dismiss all staff implicated in the aforementioned cases, as well as implementing good corporate governance in the form of tighter supervision and prevention of corrupt dealings."