Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Posisi dan citra merek merupakan hal yang sangat penting dan krusial dalam strategi pemasaran. Posisi dan citra merek membentuk asosiasi merek yang kuat kepada konsumen yang ditargetkan dan digunakan untuk membedakan suatu merek dengan pesaingnya Perusahaan harus memahami penilaian konsumen terhadap produk mereka sehingga dapat melakukan strategi pemasaran yang baik untuk meningkatkan posisi mereknya di publik. Pada saat pandemi Covid terutama pada tahun 2021 terdapat fenomena yang unik yaitu permintaan Susu Beruang (Bear Brand) lebih besar dibandingkan pemimpin pasarnya yaitu Susu Ultra meskipun Susu Ultra harganya lebih murah dibandingkan Susu Beruang. Fenomena tersebut ramai didiskusikan di dalam media sosial terutama Twitter mengenai opini dari konsumen terutama dalam pembelian produk susu cair dalam kemasan. Penelitian ini bertujuan untuk mengetahui apakah ulasan teks online dapat memberikan gambaran tentang posisi dan citra merek Susu Beruang menggunakan Analisis sentimen LIWC (Linguistic Inquiry and Word Count) dan PCA (Principal Component Analysis). Kontribusi utama dari penelitian ini adalah penggunaan analisis sentimen berbasis program LIWC untuk memproses ulasan online di twitter yang nantinya akan memberi gambaran posisi merek di PCA melalui perceptual map yang memungkinkan memberikan gambaran posisi merek Susu Beruang terhadap Susu Ultra sebagai kompetitor utamanya. Berdasarkan analisis penulis dapat disimpulkan bahwa LIWC mampu memberikan gambaran terkait citra merek dan posisi merek Susu Beruang dan Susu Ultra. Citra merek didapat dari variabel-variabel yang menggambarkan psikologis konsumen saat menggunakan atau membayangkan merek penelitian. Posisi didapatkan melalui pengolahan PCA yang menggambarkan perbedaan antara variabel yang dominan dalam kedua merek tersebut.

---

Position and brand image are very important and crucial in marketing strategy. Brand position and image form strong brand associations with targeted consumers and are used to differentiate a brand from its competitors. Companies must understand consumer ratings of their products so that they can carry out good marketing strategies to improve their brand position in society. During the Covid-19 pandemic, especially in 2021, there was a unique phenomenon, whereby the demand for Bear Brand Milk was greater than the market leader, namely Ultra milk, while Ultra milk was even cheaper than the Bear Brand milk. This phenomenon is widely discussed on social media, especially Twitter regarding opinions from consumers, especially in purchasing packaged liquid milk products. This study aims to determine whether online text reviews can provide an overview of the position and brand image of bear milk using LIWC (Linguistic Inquiry and Word Count) sentiment analysis and PCA (Principal Component Analysis). The main contribution of this study is the use of sentiment analysis based on the LIWC program to process online reviews on Twitter which will later provide an overview of the brand's position in the PCA through a perceptual map that allows providing an overview of the position of the Bear Brand milk brand against Ultra milk as its main competitor. Based on our analysis, we can conclude that LIWC can provide an overview regarding the brand image and brand positioning of Bear milk and Ultra milk. Brand image is obtained from variables that describe psychological variables when using or imagining the focal brands. Brand Position through PCA analysis describes the difference in gain between the dominant variables in the two brands."

"Tabot merupakan upacara tradisional yang bernapaskan Islam. Menurut sejarahnya, tabot dibawa ke Indonesia pertama kali oleh orang-orang muslim Indioa. Orang-orang India ini sengaja didatangkan oleh Inggris pada abad XVII Masehi seabgai serdadu dan pekerja untuk membangun benteng Marlborough di Bengkulu."

"Melalui teknologi, kegiatan sosial yang dahulu memerlukan kontak fisik kini dapat dilakukan jarak jauh melalui media sosial. Media sosial saat ini banyak digunakan untuk menyebarkan berbagai infromasi, baik mengungkapkan opini, perasaan, ataupun pendapat. Twitter memiliki pengguna akif terbanyak di Indonesia. Twitter merupakan salah satu sarana perusahaan untuk berkomunikasi dengan pelanggan. Salah satu perusahaan yang memanfaatkan twitter untuk berkomunikasi ke nasabahnya BNI. BNI memiliki jasa dan produk yang ditawarkan salah satunya yaitu Agen46. Agen46 merupakan mitra BNI dalam menyediakan layanan perbankan kepada masyarakat dalam rangka keuangan inklusif. Selain mitra BNI dalam penyediaan berbagai macam layanan perbankan, BNI Agen46 juga merupakan partner di dalam berbagai program pemerintah, seperti penyaluran bantuan sosial maupun subsidi untuk Keluarga Penerima Manfaat. Terdapat beberapa tweet yang cenderung mengarah ke ulasan yang negative, namun saat ini belum ada analisis sentimen terkait Agen46 berdasarkan data twitter. Penelitian ini bertujuan untuk membandingkan performa metode klasifikasi yang digunakan untuk sentiment analysis serta mencari topik terkait Agen46. Metode yang digunakan yang digunakan untuk pemodelan klasifikasi yaitu SVM, Naïve Bayes, dan KNN serta metode pemodelan topik yang digunakan yaitu LDA.Hasil dari penelitian menunjukkan bahwa SVM memiliki performa terbaik dengan nilai f1-score 91.25% dan akurasi 91.28%. Sedangkan Topik yang dihasilkan yaitu 2 topik kelas Positive (agen dapat memberikan tambahan penghasilan dan agen46 menjadi agen transformasi yang lebih dekat dengan nasabah), 2 topik kelas neutral (penyaluran bansos dapat dilakukan melalui agen46 dan selain melalui kantor cabang, internet banking, sms banking, transaksi juga bisa dilakukan di agen46), dan 6 topik kelas negative (permohonan buka blokir proses lama, belum ada respon saat gagal login, kendala mesin EDC Agen46, agen tidak dapat dihubungi, dan adanya ketidaknyamanan penyaluran bpnt).

---

Through technology, social activities that once required physical contact can now be done remotely through social media. Social media is currently widely used to disseminate various information, whether expressing opinions, feelings, or opinions. Twitter has the most active users in Indonesia. Twitter is one of the means for companies to communicate with customers. One company that utilizes twitter to communicate to its customers is BNI. BNI has services and products to offer, one of which is Agent46. Agen46 is a BNI partner in providing banking services to the community in the context of inclusive finance. In addition to BNI's partners in providing various banking services, BNI Agen46 is also a partner in various government programs, such as the distribution of social assistance and subsidies for Beneficiary Families. There are several tweets that tend to lean towards negative reviews, but currently, there hasn't been any sentiment analysis conducted regarding Agen46 based on Twitter data. This research aims to compare the performance of classification methods used for sentiment analysis and find topics related to Agent46. The methods used for classification modeling are SVM, Naïve Bayes, and KNN and the topic modeling method used is LDA.The results of the study show that SVM has the best performance with an f1-score value of 91.25% and an accuracy of 91.28%. While the topics generated are 2 Positive class topics (agents can provide additional income and agent46 becomes a transformation agent that is closer to customers), 2 neutral class topics (social assistance distribution can be done through agent46 and in addition to branch offices, internet banking, sms banking, transactions can also be done at agent46), and 6 negative class topics (unblock request is a long process, there is no response when login fails, Agent46 EDC machine constraints, agents cannot be contacted, and there is inconvenience in bpnt distribution)"

"Perkembangan teknologi informasi khususnya internet di Indonesia terbilang sangat pesat. Media sosial hadir sebagai sarana baru dalam berkomunikasi dengan perantara internet. Salah satu media sosial pemicu hal tersebut adalah twitter. Banyak sekali variasi topik yang dihasilkan para pengguna twitter. Setiap topik yang dihasilkan memiliki nilai sentimen. Nilai sentimen dibagi menjadi positif, negatif, dan netral. Untuk mengetahui nilai sentimen, digunakanlah analisis sentimen. Namun dengan banyaknya pengguna twitter, akan memakan waktu banyak untuk mengetahui nilai sentimen. Sehingga digunakanlah Support Vector Machine (SVM). Tetapi SVM hanya bisa mengklasifikasikan 2 kelas. Sehingga diperlukan pendekatan Multiclass. terdapat dua cara dalam melakukan pendekatan Multiclass, yaitu pendekatan One Vs One dan One Vs All.

---

The growth of information technology, especially the Internet in Indonesia, is rapidly increasing. Social media is the new way to communicate with other users on the internet. Twitter is one of the social media that contribute the growth. There are many topics that are generated by the users. Each topic that is generated by the users has the sentiment value. The sentiment value is divided into positive, negative, and neutral. To determine the value of the sentiment, we need to use the sentiment analysis. However, with so many twitter users, it will take a lot of time. That is why we use Support Vector Machine (SVM). However, SVM can only classify two classes. Therefore, we need multiclass approach. There are two ways of doing multiclass approach: One Vs One and One vs All."

"Pesatnya perkembangan teknologi saat ini menjadi salah satu faktor berkembangnya media sosial. Pengguna media sosial khususnya di Indonesia sudah tidak diragukan lagi jumlahnya. Dari tingginya tingkat penggunaan media sosial, penelitian terkait data pada media sosial kerap dilakukan. Penelitian yang populer dilakukan adalah analisis sentimen. Analisis sentimen adalah kegiatan untuk mengklasifikasikan sentimen data tekstual ke dalam kelas positif atau negatif. Metode yang kerap digunakan adalah metode berbasis machine learning yaitu Convolutional Neural Network (CNN) dan Long-short Term Memory (LSTM). Metode CNN sudah terbukti baik digunakan untuk data tekstual. Adapun model gabungan yaitu LSTM-CNN yang sudah terbukti memberikan hasil lebih baik dibanding model CNN. Selanjutnya akan dilakukan analisis sentimen menggunakan model LSTM-CNN. Namun, metode berbasis machine learning hanya efektif digunakan pada satu domain saja. Berdasarkan hal tersebut, dikembangkanlah lifelong learning. Lifelong learning adalah metode dalam machine learning yang menerapkan pembelajaran berkelanjutan terhadap lebih dari satu domain. Lifelong learning pada machine learning meniru bagaimana manusia mempelajari sesuatu berdasarkan apa yang sudah dipelajari selanjutnya. Pada skripsi ini, akan dilakukan penelitian model LSTM-CNN untuk permasalahan lifelong learning analisis sentimen terhadap lima data berbahasa Indonesia. Lima data set tersebut akan digunakan sebagai data pembelajaran secara berkelanjutan terhadap suatu model LSTM-CNN. Evaluasi model akan dilakukan pada setiap proses pembelajaran yang dilakukan. Hasil yang diperoleh adalah perkembangan akurasi pada setiap proses pembelajaran terhadap suatu data set.

---

The rapid development of technology is currently one of the factors in the development of social media. There are no doubt about the number of social media users, especially in Indonesia. From the high level of use of social media, research related to data on social media is often done. Popular research is sentiment analysis. Sentiment analysis is an activity to classify textual data sentiments into positive or negative classes. The method often used is machine learning-based methods, namely Convolutional Neural Network (CNN) and Long-short Term Memory (LSTM). The CNN method has been proven good for textual data. The combined model is LSTM-CNN which has been proven to provide better results than the CNN model. Then sentiment analysis will be performed using the LSTM-CNN model. However, machine learning based methods are only effective in one domain. Based on this, lifelong learning was developed. Lifelong learning is a method in machine learning that applies continuous learning to more than one domain. Lifelong learning in machine learning mimics how humans learn something based on what has been learned next. In this thesis, LSTM-CNN model research will be conducted for the problem of lifelong learning sentiment analysis of five Indonesian-language data. The five data sets will be used as continuous learning data on an LSTM-CNN model. Evaluation of the model will be carried out in each learning process that is carried out. The results obtained are the development of accuracy in each learning process of a data set."

"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."

"Persaingan antar perusahaan semakin sengit seiring waktu. Banyak perusahaan optimis akan performanya di masa depan, namun banyak juga perusahaan yang tidak yakin dapat bersaing. Kesulitan ini terutama dihadapi oleh perusahaan-perusahaan pada sektor dengan potensi besar yang diperebutkan seperti sektor video game. Perusahaan-perusahaan tersebut perlu memerhatikan persepsi / sentimen pelanggan agar dapat meningkatkan dan mempertahankan daya saingnya dalam jangka panjang. Persepsi ini umumnya ditunjukkan pelanggan melalui ulasan mereka terhadap produk perusahaan. Dengan demikian, perusahaan video game dapat mengidentifikasi kesempatan pengembangan atau peningkatan daya saing dengan memerhatikan persepsi pelanggan dari ulasan video game. Pembuatan model dengan metode Aspect Category Sentiment Analysis, salah satu bagian dari rangkaian metode Aspect-based Sentiment Analysis, dapat menjadi salah satu solusi agar perusahaan video game dapat melakukan hal tersebut. Oleh karena itu, penelitian ini memakai metode Aspect Category Sentiment Analysis secara unsupervised untuk membuat model sebagai solusi terhadap permasalahan perusahaan video game dan perusahaan lain yang kesulitan bersaing. Model tersebut dibuat dengan memanfaatkan vektor yang dihasilkan oleh model Word Embedding untuk merepresentasikan hubungan sentimen antar kata yang ada di ulasan video game. Hasil evaluasi menunjukkan bahwa model yang dibuat dapat merepresentasikan hubungan sentimen terhadap aspek video game yang diulas oleh pelanggan. Informasi ini kemudian dapat dipetakan agar perusahaan video game dapat mengidentifikasi kesempatan pengembangan atau peningkatan daya saing.

---

Competition among firms is intensifying over time. Many are optimistic about its future growth, but there are also many who are unsure about their own competitive capabilities. This pessimistic outlook is shared by a lot of firms in business sectors with many yet heavily contested business opportunities such as the video game sector. These firms must pay closer attention to the perception or sentiment of their customers so they can increase and maintain their long-term competitiveness. Such perception is generally expressed by customers through their product reviews. Hence, video game companies can identify product development opportunities or unknown competitive advantages/disadvantages by closely monitoring customer perception from video game reviews. Models created through Aspect Category Sentiment Analysis, a sub-discipline of Aspect-based Sentiment Analysis, can be a solution for video game companies to do such an endeavor. Therefore, this research created an unsupervised Aspect Category Sentiment Analysis model as a solution for video game companies and companies that face a similar problem. The model is created by utilizing the capability of word vectors from word embeddings to represent semantic relationships such as sentiment toward video game aspects that are mentioned in customer reviews. Thorough numerical and qualitative evaluation shows that the model can reliably represent such sentiment. Video game companies can then map the sentiment that is identified by the model to identify product development opportunities or unknown competitive advantages/disadvantages."

"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."