Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKEkuitas merek merupakan salah satu intangible asset yang dapat meningkatkan daya tarik suatu merek. Menyadari hal tersebut, banyak perusahaan yang berlomba-lomba dalam meningkatkan ekuitas merek yang dimiliki. Beberapa penghargaan pun digelar secara rutin untuk mengetahui jajaran merek dengan ekuitas tertinggi, yang diukur dengan menggunakan metode survei. Meskipun sejauh ini ekuitas merek dapat diukur dengan baik, namun penggunaan metode survei memiliki beberapa kekurangan dari sisi akurasi, efisiensi dan ekonomis. Dengan maraknya penggunaan media sosial, secara khusus Twitter, menjadikannya sebagai media yang kaya akan informasi dan tepat untuk penerapan query-based survey. Oleh karena itu, Penelitian ini bertujuan untuk menguji potensi pemanfaatan Twitter sebagai alternatif dalam pengukuran tingkat ekuitas merek. Penelitian dilakukan dengan pendekatan text mining, sedangkan proses pengolahan data dilakukan dengan menggunakan model CRISP-DM. Proses scraping dilakukan untuk mengumpulkan data Twitter pada 1 Januari 2015 hingga 31 Desember 2018, untuk mengukur ekuitas merek pada tahun 2016 hingga 2019, dengan data dari Top Brand Index sebagai ground truth data. Penelitian ini menggunakan dimensi brand awareness, brand loyalty, perceived quality, dan brand association yang menghasilkan 15 kemungkinan kombinasi dimensi untuk mengukur tingkat ekuitas dari 54 merek dalam 7 kategori pada sektor jasa. Hasil penelitian ini menunjukan bahwa penggunaan data media sosial Twitter dapat digunakan untuk mengukur tingkat ekuitas merek, dengan tingkat kemiripan sebesar 70.57%. Selain itu, kombinasi dari brand awareness, brand loyalty dan perceived quality terbukti sebagai dimensi yang memberikan hasil terbaik dalam pengukuran tingkat ekuitas merek.

---

ABSTRACT

Brand equity is one of the intangible assets that can increase the attractiveness of a brand. Therefore, many brands are attempted to increase their brand equity level. Several award were conducted routinely to find out the best brands by using the survey method. Although so far brand equity can be measured properly using survey method, it has several disadvantages in terms of accuracy, efficiency and economics. With the widespread use of social media, specifically Twitter, it becomes a media that is rich in information and has the potential to be used as a query-based survey. Therefore, this study aims to examine the potential utilization of Twitter as an alternative methods in measuring brand equity levels. The research was conducted using text mining, while the data processing was carried out using the CRISP-DM model. Scraping process is carried out to collect Twitter data from January 1, 2015 to December 31, 2018, to measure brand equity in 2016 until 2019, with data from the Top Brand Index as ground truth data. This study uses the dimensions of brand awareness, brand loyalty, perceived quality, and brand association which produces 15 possible combinations to measure the equity level of 54 selected brands in 7 categories from the service sector. The results of this study indicate that the use of Twitter data can be used to measure brand equity with 70.57% of similarity level. Combination of brand awareness, brand loyalty and perceived quality dimension also proven as the most accurate dimensions to be used to measure the brand equity level."

"ABSTRAK

Kebebasan berpendapat melalui media sosial untuk mengungkapkan pikiran, pendapat dan tanggapan terhadap suatu topik tertentu menimbulkan dampak negatif berupa konten yang menebarkan kebencian. Penelitian ini bertujuan untuk melakukan deteksi sebuah informasi yang merupakan ujaran kebencian di media sosial Twitter. Data yang digunakan berjumlah 4.002 data sentimen terkait topik politik, agama, suku dan ras di Indonesia. Pada pembangunan model, penelitian ini menggunakan metode klasifikasi sentimen dengan algoritma machine learning seperti Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree dan Support Vector Machine SVM . Di samping itu, penelitian ini juga melakukan perbandingan performa model dengan menggunakan unigram, bigram dan unigram-bigram dalam proses fitur ekstraksi dan penggunaan SMOTE untuk mengatasi imbalanced data. Evaluasi dari percobaan yang dilakukan menunjukkan bahwa algoritma AdaBoost menghasilkan model terbaik dengan nilai recall tertinggi yaitu 99.5 yang memiliki nilai akurasi sebesar 70.0 dan nilai F1-score sebesar 82.2 untuk klasifikasi ujaran kebencian apabila menggunakan bigram.

---

ABSTRACT

Freedom of expression through social media to express idea, opinion and view about current topic causes negative impact as the rise of hateful content. This study aims to detect a hate speech information through Twitter. Dataset of this study consists of 4.002 sentiment data related to politic, race, religion and clan topic. The model development of this study conducted by sentiment classification method with machine learning algorithm such as Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree and Support Vector Machine SVM . We also conduct a comparison of model performance that used unigram, bigram, unigram bigram feature and SMOTE to handle imbalanced data. Evaluation of this study showed that AdaBoost algorithm resulted the best classification model with the highest recall model which was 99.5 , accuracy score as much as 70.0 and F1 score 82.2 to classify hate speech when using bigram features."

"Kejadian banjir ekstrem diperkirakan semakin sering terjadi seiring dengan perubahan iklim yang belum menunjukkan tanda-tanda perbaikan. Hal ini berpotensi menyebabkan curah hujan yang lebih tinggi dari rata-rata dan laju kenaikan genangan banjir yang lebih cepat dari biasanya. Ketidaktahuan bahwa suatu daerah tergenang banjir juga bisa mengakibatkan kendaraan terjebak di daerah banjir, kemacetan lalu lintas, serta terlambatnya evakuasi warga terutama yang tinggal di daerah rawan banjir. Penelitian ini bertujuan memberikan alternatif sumber informasi mengenai ketinggian genangan banjir dengan memanfaatkan data teks dari tweet pada media sosial Twitter. Salah satu tantangannya yaitu bahwa ketinggian genangan tidak selalu disebutkan dalam standar satuan internasional seperti centimeter atau meter sehingga machine learning digunakan untuk mengatasinya. Penyebutan ketinggian genangan didapati bisa menggunakan referensi bagian tubuh seperti lutut dan pinggang, serta juga bagian kendaraan atau kondisi jalan. Model yang diusulkan memberikan dua keluaran, yaitu kategori relevansi tweet terhadap informasi ketinggian banjir (Relevan atau Tidak Relevan) dan kategori ketinggian banjir (Tinggi, Sedang, Rendah, dan Tidak Diketahui). Algoritma klasifikasi yang digunakan yaitu SVM (Linear SVC dan RBF), Logistic Regression, Random Forest, Decision Tree, dan Naïve Bayes. Hasil uji coba menunjukkan bahwa nilai akurasi tertinggi untuk klasifikasi relevansi tweet adalah 91% dan F1-score tertinggi sebesar 82% diperoleh dengan menggunakan algoritma SVM Linear SVC. Sedangkan hasil klasifikasi ketinggian genangan terbaik diperoleh saat menggunakan SVM Linear SVC dengan akurasi 83% dan rata-rata F1-score 70%.

---

Extreme flood events are expected to occur more frequently as climate change has yet to show signs of improvement. This has the potential to lead to higher rainfall and floods that come more quickly. This has the potential for vehicle trapping, traffic jams, or delay in evacuation for people who live in areas which are prone to flooding. Hence, this study aims to provide an alternative source of information in flood conditions by using data in social media Twitter. One of the challenges was information about inundation level is not always in international standard unit like centimeter or meter so that machine learning was used to cope with this problem. Mention of inundation level was found to be done by also referring to certain body parts like knee and waist, and also parts of vehicles or road condition. The proposed model is expected to provide two outputs, which are relevance category of tweet (Relevant or Irrelevant) and inundation level category (High, Medium, Low, Unknown). Some classifier algorithms were used, like SVM (Linear SVC and RBF), Logistic Regression, Random Forest, Decision Tree, and Naïve Bayes. The test results showed that the best relevance classification resulted in 91% accuracy (SVM Linear SVC) and 82% average F1-score by using SVM Linear SVC. On the other side, the best result of classification of inundation level was obtained when using SVM Linear SVC which resulted in 83% accuracy and 70% average F1- score."

"Analisis sentimen terhadap opini publik di Twitter dapat memberikan wawasan yang berharga dalam memahami dukungan dan pemikiran masyarakat terkait calon presiden dan isu-isu terkait Pilpres 2024. Penelitian ini bertujuan untuk mengembangkan sistem analisis sentimen terhadap opini publik tentang Pilpres Indonesia 2024 yang tersebar di media sosial Twitter dalam bahasa Indonesia. Algoritma yang digunakan dalam pengembangan sistem tersebut adalah Naïve Bayes, sebuah algoritma klasifikasi yang telah terbukti efektif dalam analisis sentimen. Data yang digunakan dalam penelitian ini adalah kumpulan tweet atau cuitan yang diperoleh dari Twitter dengan menggunakan teknik web scraping. Persentasi Akurasi pada uji coba setiap skenario yang dilakukan mendapatkan hasil terbaik dengan nilai 81,18% untuk Skenario 1, 72,58% untuk Skenario 2, 65,05% untuk Skenario 3, dan 80,11% untuk Skenario 4. Hasil evaluasi model sistem yang dikembangkan terhadap klasifikasi sebenarnya menunjukkan bahwa analisis sentimen menggunakan algoritma Naïve Bayes dapat memberikan hasil yang baik tentang sentimen opini publik terkait Pilpres Indonesia 2024 di media sosial Twitter. Pengembangan sistem yang dikerjakan memberikan hasil model yang dapat melakukan analisis sentimen secara mandiri dengan akurasi yang tinggi terhadap opini publik terkait Pilpres Indonesia 2024 dengan nilai rata-rata 81,18%. Hasil analisis sentimen ini dapat membantu pihak-pihak terkait, termasuk calon presiden dan tim kampanye mereka, untuk memahami sejauh mana opini publik mendukung atau menentang mereka.

---

Sentiment analysis of public opinion on Twitter can provide valuable insight in understanding public support and thoughts regarding presidential candidates and issues related to the 2024 presidential election. This research aims to develop a sentiment analysis system for public opinion about the 2024 Indonesian Presidential Election shared on Twitter social media. in Indonesian. The algorithm used in developing the system is Naïve Bayes, a classification algorithm that has been proven effective in sentiment analysis. The data used in this research is a collection of tweets obtained from Twitter using web scraping techniques. The percentage of accuracy in testing each scenario carried out obtained the best results with a value of 81.18% for Scenario 1, 72.58% for Scenario 2, 65.05% for Scenario 3, and 80.11% for Scenario 4. Model evaluation results system developed for classification actually shows that sentiment analysis using the Naïve Bayes algorithm can provide good results regarding public opinion sentiment regarding the 2024 Indonesian Presidential Election on Twitter social media. The system development carried out provides model results that can carry out sentiment analysis independently with high accuracy regarding public opinion regarding the 2024 Indonesian Presidential Election. The results of this sentiment analysis can help related parties, including presidential candidates and their campaign teams, to understand the extent of opinion. they. society supports or opposes them."

"ABSTRAK<>br>Dalam beberapa tahun terakhir, masalah pengukuran kredibilitas informasi di jaringan sosial mendapat perhatian yang cukup besar terutama di bawah situasi darurat. Hal itu merupakan konsekuensi dari membeludaknya informasi, terlebih ketika semua orang bebas berperan sebagai sumber informasi.Penelitian ini menyoroti buramnya dinding pembatas antara fakta dan hoax di Indonesia, sehingga hal itu menyebabkan banyaknya kasus penyebaran hoax di media. Jika dibiarkan hal tersebut dapat berdampak buruk bagi seorang pribadi ataupun organisasi yang diserang isu hoax. Survei yang dilakukan Intelligence Media Management IMM menyatakan terdapat peningkatan tajam di tahun 2016 dari 1572 menjadi 7311 pemberitaan media. Dan berdasarkan hasil survei yang dilakukan masyarakat telematika mastel Indonesia hampir dari seluruh responden 84,5 menyatakan terganggu dengan maraknya berita hoax yang dapat mengganggu kerukunan masyarakat dan menghambat pembangunan nasional.Menurut Menteri Komunikasi dan Informatika Rudiantara, langkah nyata yang bisa dilakukan adalah menyaring informasi menjadi lebih cepat dan tegas. Untuk itu diperlukan tindakan sehingga penyebaran hoax di media dapat diturunkan. Tujuan dilakukannya penelitian ini adalah untuk mengidentifikasi konten di media sosial merupakan suatu hoax atau tidak pada saat konten tersebut beredar. Metodologi yang digunakan di dalam penelitian ini dimulai dengan mengumpulkan tweets yang terindikasi hoax lalu dilakukan proses pengolahan data dengan membuat suatu model text mining yang dapat memprediksi suatu konten berpotensi hoax atau tidak.Hasil dari penelitian ini yaitu didapatkan sebuah model berbasis pembelajaran sendiri menggunakan algoritma LinearSVC dengan akurasi 91 yang dapat memprediksi apakah suatu tweet merupakan berpotensi hoax atau tidak sehingga membantu dalam menyaring suatu informasi yang diharapkan dapat mengurangi penyebaran hoax di Indonesia.

---

ABSTRACT<>br>In recent years, the problem of measuring the credibility of information on the social network received considerable attention, especially under emergency situations. This is the consequence of too many information, especially when everyone is free to act as a source of information.The study highlights the blurring of the dividing wall between fact and hoax in Indonesia, so it causes many cases of spread of hoaxes in the media. If left unchecked it can be bad for a person or organization that attacked the issue of hoaxes. Surveys conducted by Intelligence Media Management IMM said there is a sharp increase in 2016 from 1572 content into 7311 content spread in media. And based on the results of a survey conducted by telematics community Mastel Indonesia almost of all respondents 84.5 declared disturbed by the rise of the hoax news that could disturb social harmony and impede national development.According to the Minister of Communications and Information Rudiantara, concrete steps that can be done is to filter information faster and firmer. It required the action so that the spread of hoax in the media can be derived. The purpose of this research is to identify content in social media is a hoax or not when the content is spreading. The methodology used in this research begins with collecting tweets that indicated hoax and then performed data processing by creating a text mining model that can predict a potentially hoax content or not.The result of this research is a machine learning model using LinearSVC algorithm with 91 accuracy which can predict whether tweet potentially hoax or not, thus helping the filtering of information expected to reduce the spread of hoax in Indonesia."

"Twitter adalah platform media sosial microblogging yang memungkinkan komunikasi dua arah untuk mengutarakan opini dan komentar. Komentar-komentar yang beragam ini dapat memperlihatkan sentimen-sentimen masyarakat apabila dilakukan analisis sentimen. Analisis sentimen adalah studi yang menganalisis opini orang terhadap suatu produk, organisasi, individu, atau jasa tertentu. Machine learning merupakan metode yang dapat mempermudah proses klasifikasi sentimen. Penelitian ini dilakukan pada cuitan berbahasa Indonesia terkait Kampus Merdeka yang diambil dari Twitter menggunakan package tweepy sebanyak 1.651 cuitan terhitung dari tanggal 5 Maret 2022 hingga 13 Maret 2022. Model machine learning yang digunakan pada penelitian ini adalah Bidirectional Long Short-Term Memory (BiLSTM), dengan dua model hybrid LSTM-based, yaitu CNN-LSTM dan LSTM-CNN sebagai pembanding. Kinerja model diukur dengan metrik kinerja accuracy, precision, recall, dan F1-score. Implementasi dilakukan pada data yang telah dilakukan oversampling untuk mendapatkan hasil yang optimal. Penelitian menunjukkan bahwa model BiLSTM memiliki kinerja yang lebih unggul dibandingkan dengan dua model pembanding lainnya pada seluruh metrik dengan besar metrik, yaitu: accuracy dan recall sebesar 79,577%; precision sebesar 73,097%; dan F1-score sebesar 75,634%.

---

Twitter is a microblogging social media platform that allows two-way communication to express opinion and comments. These various comments can show us sentiment of the public when we perform a sentiment analysis. Sentiment analysis is a study that analyze the opinion of people towards a specific product, organization, individual, or service. Machine learning is a method that will help perform sentiment classification easier. This study performs analysis on 1.651 data tweets about Kampus Merdeka taken from Twitter using a package called tweepy since March 5th 2022 until March 13th 2022. The machine learning model used in this study is Bidirectional Long Short-Term Memory (BiLSTM), with two LSTM-based hybrid model, CNN-LSTM and LSTM-CNN as comparison models. Model performance is measured by performance metrics accuracy, precision, recall, and F1-score. Implementation was done on data that has been going through oversampling to achieve the best result. The study shows that BiLSTM performs better than the other two comparison models for all the metrics with the percentage of the each metric being: 79.577% for accuracy and recall; 73,097% for precision; and 75,634% for F1-score."

"Brand equity merupakan hal yang dapat memberikan manfaat bagi nilai keseluruhan perusahaan di mata konsumen. Mengetahui hal tersebut, pengukuran terhadap brand equity dilakukan baik oleh perusahaan sebagai penilaian performa individual maupun oleh organisasi eksternal yang bertujuan sebagai ajang evaluasi kategori pasar tertentu. Seperti halnya yang dilakukan oleh Frontier Group melalui Top Brand Awards. Agar ajang penghargaan seperti Top Brand Awards dapat menghasilkan hasil yang akurat, tentunya diperlukan data dengan jumlah yang besar dan variatif. Untuk mendapatkan hal tersebut, penggunaan metode survei konvensional berpotensi untuk menggunakan biaya dan tenaga yang besar. Dengan tingginya angka penggunaan sosial media di Indonesia, hal ini memicu peneliti untuk mencoba menemukan alternatif yang dapat mengurangi cost dari metode konvensional tersebut, yaitu dengan memanfaatkan data yang berasal dari media sosial, tepatnya data tweet pada platform Twitter. Penelitian dilakukan terhadap sampel 4 kategori dari Top Brand Awards dari tahun 2015 hingga 2021, yaitu ISP Fixed, Jasa Transportasi Online, Situs Jual Beli Online, dan Jasa Kurir. Data tweet didapatkan dan diolah melalui pendekatan text mining. Text analysis dilakukan berdasarkan pemetaan model data terhadap atribut yang dimiliki oleh model brand equity. Adapun atribut dari model brand equity yaitu brand loyalty, brand associations/ awareness, dan perceived quality ditentukan melalui proses Systematic literature Review (SLR). Proses text mining memanfaatkan atribut tweet seperti rawContent, likeCount, dan retweetCount untuk menghasilkan skor brand equity dari setiap merek di tiap kategori sampel berdasarkan tahun tweet. Skor tersebut digunakan sebagai perbandingan terhadap ground truth, yaitu peringkat dan skor setiap brand pada Top Brand Index. Sebagai hasil, didapatkan bahwa pengukuran brand equity melalui pendekatan text mining mendapatkan skor kemiripan hingga sebesar 83.72% terhadap pendekatan konvensional yang didapatkan pada Top Brand Awards.

---

Brand equity is a factor that can provide benefits to the overall value of the company in the perspective of a consumer. Keeping that in mind, measurement towards brand equity is performed either by each company as an individual performance evaluation or by an external organization with the purpose of evaluating certain market categories. As present in the case of Frontier Group through the Top Brand Awards. In order to produce accurate results, large and varied amounts of data are necessary which potentially use large amounts of cost and effort. With the increasing number of social media usage in Indonesia, triggers an idea of finding alternatives that can reduce the costs of conventional methods, mainly by utilizing data originating from social media, which is tweet data from Twitter platform to be exact. Research is conducted on a sample of 4 categories from the Top Brand Awards in a period from 2015 to 2021. Tweet data is obtained and processed through a text mining approach. Text analysis is carried out based on the mapping of the data model to the attributes of the brand equity model. The attributes of the brand equity model, namely brand loyalty, brand associations/ awareness, and perceived quality are determined through a Systematic Literature Review (SLR) process. The text mining process utilizes tweet attributes such as rawContent, likeCount, and retweetCount for generating a brand equity score for each brand on every sample category based on the year of the tweet. This score is going be used as a comparison to the ground truth, which is the ranking and score of each brand on the Top Brand Index. As a result, it was found that measuring brand equity through the text mining approach obtained a similarity score of up to 83.72% against the conventional approach obtained at the Top Brand Awards."

"Brand equity merupakan hal yang dapat memberikan manfaat bagi nilai keseluruhan perusahaan di mata konsumen. Mengetahui hal tersebut, pengukuran terhadap brand equity dilakukan baik oleh perusahaan sebagai penilaian performa individual maupun oleh organisasi eksternal yang bertujuan sebagai ajang evaluasi kategori pasar tertentu. Seperti halnya yang dilakukan oleh Frontier Group melalui Top Brand Awards. Agar ajang penghargaan seperti Top Brand Awards dapat menghasilkan hasil yang akurat, tentunya diperlukan data dengan jumlah yang besar dan variatif. Untuk mendapatkan hal tersebut, penggunaan metode survei konvensional berpotensi untuk menggunakan biaya dan tenaga yang besar. Dengan tingginya angka penggunaan sosial media di Indonesia, hal ini memicu peneliti untuk mencoba menemukan alternatif yang dapat mengurangi cost dari metode konvensional tersebut, yaitu dengan memanfaatkan data yang berasal dari media sosial, tepatnya data tweet pada platform Twitter. Penelitian dilakukan terhadap sampel 4 kategori dari Top Brand Awards dari tahun 2015 hingga 2021, yaitu ISP Fixed, Jasa Transportasi Online, Situs Jual Beli Online, dan Jasa Kurir. Data tweet didapatkan dan diolah melalui pendekatan text mining. Text analysis dilakukan berdasarkan pemetaan model data terhadap atribut yang dimiliki oleh model brand equity. Adapun atribut dari model brand equity yaitu brand loyalty, brand associations/ awareness, dan perceived quality ditentukan melalui proses Systematic literature Review (SLR). Proses text mining memanfaatkan atribut tweet seperti rawContent, likeCount, dan retweetCount untuk menghasilkan skor brand equity dari setiap merek di tiap kategori sampel berdasarkan tahun tweet. Skor tersebut digunakan sebagai perbandingan terhadap ground truth, yaitu peringkat dan skor setiap brand pada Top Brand Index. Sebagai hasil, didapatkan bahwa pengukuran brand equity melalui pendekatan text mining mendapatkan skor kemiripan hingga sebesar 83.72% terhadap pendekatan konvensional yang didapatkan pada Top Brand Awards.

---

Brand equity is a factor that can provide benefits to the overall value of the company in the perspective of a consumer. Keeping that in mind, measurement towards brand equity is performed either by each company as an individual performance evaluation or by an external organization with the purpose of evaluating certain market categories. As present in the case of Frontier Group through the Top Brand Awards. In order to produce accurate results, large and varied amounts of data are necessary which potentially use large amounts of cost and effort. With the increasing number of social media usage in Indonesia, triggers an idea of finding alternatives that can reduce the costs of conventional methods, mainly by utilizing data originating from social media, which is tweet data from Twitter platform to be exact. Research is conducted on a sample of 4 categories from the Top Brand Awards in a period from 2015 to 2021. Tweet data is obtained and processed through a text mining approach. Text analysis is carried out based on the mapping of the data model to the attributes of the brand equity model. The attributes of the brand equity model, namely brand loyalty, brand associations/ awareness, and perceived quality are determined through a Systematic Literature Review (SLR) process. The text mining process utilizes tweet attributes such as rawContent, likeCount, and retweetCount for generating a brand equity score for each brand on every sample category based on the year of the tweet. This score is going be used as a comparison to the ground truth, which is the ranking and score of each brand on the Top Brand Index. As a result, it was found that measuring brand equity through the text mining approach obtained a similarity score of up to 83.72% against the conventional approach obtained at the Top Brand Awards."

"Brand equity merupakan hal yang dapat memberikan manfaat bagi nilai keseluruhan perusahaan di mata konsumen. Mengetahui hal tersebut, pengukuran terhadap brand equity dilakukan baik oleh perusahaan sebagai penilaian performa individual maupun oleh organisasi eksternal yang bertujuan sebagai ajang evaluasi kategori pasar tertentu. Seperti halnya yang dilakukan oleh Frontier Group melalui Top Brand Awards. Agar ajang penghargaan seperti Top Brand Awards dapat menghasilkan hasil yang akurat, tentunya diperlukan data dengan jumlah yang besar dan variatif. Untuk mendapatkan hal tersebut, penggunaan metode survei konvensional berpotensi untuk menggunakan biaya dan tenaga yang besar. Dengan tingginya angka penggunaan sosial media di Indonesia, hal ini memicu peneliti untuk mencoba menemukan alternatif yang dapat mengurangi cost dari metode konvensional tersebut, yaitu dengan memanfaatkan data yang berasal dari media sosial, tepatnya data tweet pada platform Twitter. Penelitian dilakukan terhadap sampel 4 kategori dari Top Brand Awards dari tahun 2015 hingga 2021, yaitu ISP Fixed, Jasa Transportasi Online, Situs Jual Beli Online, dan Jasa Kurir. Data tweet didapatkan dan diolah melalui pendekatan text mining. Text analysis dilakukan berdasarkan pemetaan model data terhadap atribut yang dimiliki oleh model brand equity. Adapun atribut dari model brand equity yaitu brand loyalty, brand associations/ awareness, dan perceived quality ditentukan melalui proses Systematic literature Review (SLR). Proses text mining memanfaatkan atribut tweet seperti rawContent, likeCount, dan retweetCount untuk menghasilkan skor brand equity dari setiap merek di tiap kategori sampel berdasarkan tahun tweet. Skor tersebut digunakan sebagai perbandingan terhadap ground truth, yaitu peringkat dan skor setiap brand pada Top Brand Index. Sebagai hasil, didapatkan bahwa pengukuran brand equity melalui pendekatan text mining mendapatkan skor kemiripan hingga sebesar 83.72% terhadap pendekatan konvensional yang didapatkan pada Top Brand Awards.

---

Brand equity is a factor that can provide benefits to the overall value of the company in the perspective of a consumer. Keeping that in mind, measurement towards brand equity is performed either by each company as an individual performance evaluation or by an external organization with the purpose of evaluating certain market categories. As present in the case of Frontier Group through the Top Brand Awards. In order to produce accurate results, large and varied amounts of data are necessary which potentially use large amounts of cost and effort. With the increasing number of social media usage in Indonesia, triggers an idea of finding alternatives that can reduce the costs of conventional methods, mainly by utilizing data originating from social media, which is tweet data from Twitter platform to be exact. Research is conducted on a sample of 4 categories from the Top Brand Awards in a period from 2015 to 2021. Tweet data is obtained and processed through a text mining approach. Text analysis is carried out based on the mapping of the data model to the attributes of the brand equity model. The attributes of the brand equity model, namely brand loyalty, brand associations/ awareness, and perceived quality are determined through a Systematic Literature Review (SLR) process. The text mining process utilizes tweet attributes such as rawContent, likeCount, and retweetCount for generating a brand equity score for each brand on every sample category based on the year of the tweet. This score is going be used as a comparison to the ground truth, which is the ranking and score of each brand on the Top Brand Index. As a result, it was found that measuring brand equity through the text mining approach obtained a similarity score of up to 83.72% against the conventional approach obtained at the Top Brand Awards."

"Media sosial sebagai bagian dari internet, telah membawa banyak perubahan kepada komunitas sosial Indonesia, termasuk komunitas bisnis Indonesia. Tujuan penelitian ini adalah untuk menganalisis pengaruh komunitas merek berbasis media sosial terhadap brand community markers, value creation practices, kepercayaan merek, dan loyalitas merek. Populasi penelitian ini adalah follower Twitter PT. Bank Negara Indonesia yakni @BNI46 dengan metode pengumpulan data adalah kuesioner. Skala pengukuran penelitian ini menggunakan skala Likert 1-6 dengan jumlah responden 200 orang dan diolah menggunakan metode Structural Equation Model (SEM). Hasil penelitian menunjukkan komunitas merek yang berbasis media sosial memiliki pengaruh positif dan signifikan terhadap elemen brand community markers yaitu shared consciousness, shared rituals and traditions, dan obligations to society. Obligation to society anggota komunitas memiliki pengaruh positif dan signifikan terhadap social networking. Shared consciousness anggota komunitas memiliki pengaruh positif dan signifikan terhadap community engagement. Shared rituals and traditions, dan obligations to society memiliki pengaruh positif dan signifikan terhadap impression management dan brand use. Social networking dan community engagement memiliki pengaruh positif dan signifikan terhadap kepercayaan merek dan kepercayaan merek memiliki pengaruh positif dan signifikan terhadap loyalitas merek.

---

Social media as part of the Internet,has brought many changes to the social community of Indonesia, including the Indonesian business community. The purpose of this study was to determine the effects of social media based brand communities brand on brand community markers, value creation practices, brand trust, and brand loyalty. The population was Twitter follower PT.Bank Negara Indonesia, namely @ BNI46 and the method of data collection was a questionnaire. This research measurement scale using Likert 1-6 scale with the number of respondents 200 people and processed using Structural Equation Model (SEM).

The results showed that community based social media brand has a positive and significant impact on the elements of the brand community markers are shared consciousness, shared rituals and traditions, and obligations to society. Obligation to society has a significant positive influence on the social networking. Shared consciousness of community members have a positive and significant effect on community engagement. Shared rituals and traditions, and obligations to society has a positive and significant impact on impression management and brand use. Social networking and community engagement has a positive and significant impact on brand trust and brand trust has a positive and significant impact on brand loyalty ."