Hasil Pencarian  ::  Simpan CSV :: Kembali

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'.

Abstrak :
Pandemi covid-19 di Indonesia yang terjadi pada tahun 2020 telah mengubah berbagai aspek di setiap lini masyarakat Indonesia, termasuk cara masyarakat berbelanja. Regulasi terkait pembatasan akses dan jarak memaksa masyarakat Indonesia bertransformasi menggunakan aplikasi daring untuk memenuhi kebutuhan sehari-hari. Salah satu aplikasi daring yang penggunaannya meningkat adalah penggunaan aplikasi grosir daring seperti HappyFresh, Sayurbox, dan TaniHub. Peningkatan transaksi tidak serta merta menggambarkan bahwa layanan yang diberikan oleh ketiga aplikasi itu baik, keluhan pelanggan masih ditemukan pada media sosial seperti Twitter dan ulasan pengguna aplikasi di Google Play Store. Penelitian ini bertujuan untuk menghitung Net Brand Reputation (NBR) dari ketiga aplikasi dengan melakukan analisis sentimen analisis. Data yang digunakan berasal dari Twitter dan ulasan pengguna di Google Playstore dalam rentang waktu Januari 2020 hingga Maret 2021. Model klasifikasi analisis sentimen dibuat dengan menggunakan tiga algoritma klasifikasi Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree. Hasil dari penelitian didapatkan aplikasi Happyfresh, Sayurbox, dan TaniHub memiliki sentimen positif di masyarakat. Aplikasi grosir daring yang memiliki nilai NBR terbesar adalah Tanihub, kedua adalah Happyfresh, dan yang terakhir adalah Sayurbox. ......The COVID-19 pandemic in Indonesia that occurred in 2020 has changed various aspects in every line of Indonesian society, including the way people shop. Regulations related to access and distance restrictions force Indonesians to transform using online applications to meet their daily needs. One of the online applications whose use is increasing is the use of online wholesale applications such as HappyFresh, Sayurbox, and TaniHub. The increase in transactions does not necessarily illustrate that the services provided by the three applications are good, customer complaints are still found on social media such as Twitter and application user reviews on the Google Play Store. This study aims to calculate the Net Brand Reputation (NBR) of the three applications by performing sentiment analysis. The data used comes from Twitter and user reviews on the Google Playstore in the period January 2020 to March 2021. The sentiment analysis classification model is created using three classification algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree. The results of the study showed that Happyfresh, Sayurbox, and TaniHub applications had positive sentiments in the community. The online wholesale application that has the largest NBR value is Tanihub, the second is Happyfresh, and the last is Sayurbox.

Abstrak :

Penulisan ini membahas pengaruh sentimen twitter terhadap mispricing pada perusahaan terdaftar di Indonesia periode tahun 2013-2017. Penulisan ini membandingkan beberapa metode yaitu Naïve Bayes, Support Vector Machine, dan Decision Tree untuk mendapatkan metode klasifikasi sentimen dengan akurasi tertinggi. Hasil yang didapat menunjukkan tingkat akurasi Decision Tree paling tinggi dibandingkan metode lainnya. Pengukuran mispricing menggunakan metode skoring dari Stambaugh, Yu dan Yuan (2012)untuk 9 anomali dengan strategi long/short. Hasil menunjukkan bahwa sentimen berpengaruh rendah dan signifikan terhadap returns saham di Indonesia. Strategi long-leg lebih menguntungkan ketika sentimen rendah atau negatif, dan strategi short-leg lebih menguntungkan ketika sentimen rendah atau positif.

---

This paper examines the impact of twitter sentiment on mispricing in Indonesia listed firms over period 2013-2017. This study also compares machine learning methods for sentiment classification based on Na ve Bayes, Support Vector Machine and Decision Tree algorithm. The results show that Decision Tree has the highest accuracy than other methods. To measure mispricing, we use mispricing score method from Stambaugh, Yu and Yuan (2012)associated with 9 long/short anomalies. The results of this studies show that sentiment exhibits low and significant relation to returns on the long/short strategies. The long-leg strategy is more profitable following low sentiments or negative sentiments. The short-leg strategy is more profitable following low sentiments or positive sentiments.

Abstrak :
ABSTRAK Perkembangan Internet di Indonesia cukup pesat, hal ini ditandai dengan meningkatnya penggunaan jejaring sosial, khususnya Twitter. Untuk mengetahui pandangan masyarakat terhadap suatu pemerintahan dapat digunakan analisis sentimen menggunakan data Twitter. Penelitian ini melakukan analisis sentimen terhadap pemerintahan Jokowi dalam bidang politik, ekonomi dan hukum. Metode untuk mengklasifikasikan sentimen pada tweet berdasarkan kamus leksikon. Data twitter dikumpulkan selama satu bulan dari tanggal 1 sampai 31 Oktober 2015 berjumlah 6489, 3967 dan 8018 untuk bidang politik, ekonomi dan hukum. Pengklasifikasian twitter menjadi tiga kelompok, positif, negatif dan netral. Secara umum hasil uji coba menunjukkan bahwa sebagian besar data twitter diklasifikasikan sebagai netral. Jika dilihat hanya sentimen positif dan sentimen negatif maka untuk bidang politik dan ekonomi sentimen positif lebih tinggi, sedangkan untuk bidang hukum sentimen negatif lebih tinggi.

---

ABSTRACT The development of the Internet in Indonesia is quite rapid, it is marked by the increasing use of social networks, especially Twitter. To find out the public?s view of a government may use sentiment analysis using Twitter data. This research analyzes citizen sentiment to Indonesian government in the fields of politics, economics and law. The method to classify sentiment in a tweet based on lexicon of those fields. We collect data Twitter during one month in October 2015, the number of data are 6489, 3967 and 8018 for the fields of politics, economics and law, respectively. We classify the data into three groups: positive, negative and neutral. In general, results of experiments showed that most of the data twitter classified as neutral. When only include positive and negative sentiment, there is higher positive sentiment on politics and economic fields, while negative sentiment higher for the laws field.

Abstrak :
Pandemi covid-19 di Indonesia yang terjadi pada tahun 2020 telah mengubah berbagai aspek di setiap lini masyarakat Indonesia, termasuk cara masyarakat berbelanja. Regulasi terkait pembatasan akses dan jarak memaksa masyarakat Indonesia bertransformasi menggunakan aplikasi daring untuk memenuhi kebutuhan sehari-hari. Salah satu aplikasi daring yang penggunaannya meningkat adalah penggunaan aplikasi grosir daring seperti HappyFresh, Sayurbox, dan TaniHub. Peningkatan transaksi tidak serta merta menggambarkan bahwa layanan yang diberikan oleh ketiga aplikasi itu baik, keluhan pelanggan masih ditemukan pada media sosial seperti Twitter dan ulasan pengguna aplikasi di Google Play Store. Penelitian ini bertujuan untuk menghitung Net Brand Reputation (NBR) dari ketiga aplikasi dengan melakukan analisis sentimen analisis. Data yang digunakan berasal dari Twitter dan ulasan pengguna di Google Playstore dalam rentang waktu Januari 2020 hingga Maret 2021. Model klasifikasi analisis sentimen dibuat dengan menggunakan tiga algoritma klasifikasi Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree. Hasil dari penelitian didapatkan aplikasi Happyfresh, Sayurbox, dan TaniHub memiliki sentimen positif di masyarakat. Aplikasi grosir daring yang memiliki nilai NBR terbesar adalah Tanihub, kedua adalah Happyfresh, dan yang terakhir adalah Sayurbox. ......The COVID-19 pandemic in Indonesia that occurred in 2020 has changed various aspects in every line of Indonesian society, including the way people shop. Regulations related to access and distance restrictions force Indonesians to transform using online applications to meet their daily needs. One of the online applications whose use is increasing is the use of online wholesale applications such as HappyFresh, Sayurbox, and TaniHub. The increase in transactions does not necessarily illustrate that the services provided by the three applications are good, customer complaints are still found on social media such as Twitter and application user reviews on the Google Play Store. This study aims to calculate the Net Brand Reputation (NBR) of the three applications by performing sentiment analysis. The data used comes from Twitter and user reviews on the Google Playstore in the period January 2020 to March 2021. The sentiment analysis classification model is created using three classification algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree. The results of the study showed that Happyfresh, Sayurbox, and TaniHub applications had positive sentiments in the community. The online wholesale application that has the largest NBR value is Tanihub, the second is Happyfresh, and the last is Sayurbox.

Abstrak :
ABSTRAK
Klasifikasi sentimen merupakan salah satu cabang dari text mining. Klasifikasi sentimen dapat menjadi sesuatu yang penting dalam proses evaluasi terhadap sebuah topik permasalahan. Tujuan utama dari klasifikasi sentimen adalah untuk mencari tahu polaritas dari sentimen positif, negatif dan netral. Klasifikasi sentimen salah satunya dapat diperoleh melalui tweet yang ada pada Twitter. Dalam tulisan ini, tweet yang berhubungan dengan kata kunci yang dicari dihimpun dengan menggunakan tools yaitu API Twitter. Data yang didapat dari proses penghimpunan akan diolah dengan menggunakan Natural Language Toolkit yang berjalan diatas bahasa pemrograman Python. Data selanjutnya akan dilakukan klasifikasi sentimen dengan menggunakan Naive Bayes untuk melihat sentimen yang dihasilkan. Dari proses klasifikasi yang telah dilakukan akan diukur tingkat akurasi. Dari hasil uji coba sebanyak 3 kali, didapatkan tingkat akurasi pada percobaan pertama 64.95%, kedua 66.36% dan ketiga 66.79% Hasil lain yang didapatkan dari proses klasifikasi yaitu sentimen positif 28% sentimen negatif 20% dan sentimen netral 52%. Berdasarkan hasil persentase kelas sentimen, sentimen neutral merupakan sentimen yang paling banyak apabila dikaitkan dengan topik Presiden Joko Widodo dan pemerintahannya.

Abstrak :
Pemerintah Indonesia mengeluarkan kebijakan untuk melakukan pemindahan ibu kota negara (IKN) dari Jakarta ke Kalimantan di tahun 2019. Hal tersebut menuai respons dari masyarakat, ada kelompok yang setuju dan ada yang tidak setuju. Opini dari masyarakat tentang pemindahan ibu kota banyak beredar melalu sosial media khususnya Twitter. Pemindahan ibu kota butuh proses panjang dan direncanakan dimulai di tahun 2024. Sampai saat ini sudah banyak kebijakan turunan dari pemerintah agar proses pemindahan ibu kota negara tetap berlangsung. Begitu juga dengan opini masyarakat di Twitter bermunculan menanggapi kebijakan tersebut. Sudah hampir 4 tahun sejak ditetapkan, sudah cukup banyak juga opini dari masyarakat tentang pemindahan IKN. Maka dari itu penelitian ini bertujuan untuk mengetahui sentimen masyarakat tentang pemindahan ibu kota negara beserta topik-topik yang menjadi perbincangannya. Penelitian ini dilakukan dengan cara mengumpulkan data dari Twitter sejak 2019 sampai 2022 tentang pemindahan ibu kota negara. Data yang dikumpulkan akan melewati serangkaian data preprosesing yang kemudian diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Pemodelan sentimen dilakukan menggunakan lima model klasifikasi untuk mencari keakuratan terbaik, yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), dan Random Forest (RF). Masing-masing algoritma dijalankan dua kali dari 2 sampel yang tanpa melewati balancing, dan satunya lagi menggunakan oversampling. Pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA). Kedua pemodelan ini digunakan untuk memvisualisasikan sentimen dan topik-topiknya ke dalam visualisasi time series. Pemodelan sentimen terbaik yang dihasilkan adalah RF dari sampel oversampling dengan nilai akurasi 82%. Pemodelan tersebut menghasilkan distribusi sentimen dengan sentimen positif mendominasi sebanyak 46.5%, sentimen netral sebanyak 31.6%, dan sentimen negatif sebanyak 21.9%. Hasil visualisasi time series menunjukkan bahwa sentimen positif tidak selalu mendominasi, namun hanya pada tahun 2022. Pemodelan topik menghasilkan 15 topik untuk sentimen positif, 11 topik untuk sentimen netral, dan 8 topik untuk sentimen negatif. Visualisasi topik time series memperlihatkan bahwa beberapa topik mendominasi perbincangan di Twitter, namun hanya pada bulan-bulan tertentu. Visualisasi time series dapat memberikan gambaran yang lebih komprehensif pada penelitian analisis sentimen dan pemodelan topik. ......Indonesian government issued a policy to move the national capital or ibu kota negara (IKN) from Jakarta to Kalimantan in 2019. This drew pros and cons from the public, there were groups who agreed and there were those who disagreed. Opinions from the public regarding the relocation of the capital city are widely circulated through social media, especially Twitter. Moving the capital city requires a long process and is planned to begin in 2024. Until now, there have been many derivative policies from the government so that the process of moving the national capital continues. Likewise, public opinion has sprung up ont Twitter in response to this policy. It's been almost 4 years since it was established, so there's been quite a lot of opinion from the public about the transfer of the IKN. Therefore this study aims to determine public sentimen about the relocation of the national capital along with the topics of discussion. This research is conducted by collecting data from Twitter from 2019 to 2022 regarding the relocation of the national capital. The data collected will go through a series of pre-processing data which are then classified into positive, neutral and negative sentimens. Sentimen modeling is carried out using five classification models to find the best accuracy, namely Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). Each algorithm is run twice from 2 samples without going through balancing, and the other uses oversampling. Topic modeling is done using Latent Dirichlet Allocation (LDA). These two models are used to visualize sentimen and topics into a time series visualization. The best sentimen modeling produced is RF from oversampling samples with an accuracy value of 82%. This modeling produces a sentimen distribution with positive sentimen dominating by 46.5%, neutral sentimen by 31.6%, and negative sentimen by 21.9%. The results of the time series visualization show that positive sentimen does not always dominate, but only in 2022. The topic modeling produces 15 topics for positive sentimen, 11 topics for neutral sentimen, and 8 topics for negative sentimen. The time series topic visualization shows that several topics dominate the conversation on Twitter, but only in certain months. Time series visualization can provide a more comprehensive picture of sentimen analysis research and topic modeling.