Hasil Pencarian  ::  Simpan CSV :: Kembali

"E-commerce merupakan kontributor utama ekonomi digital Indonesia, tetapi statistik menunjukkan adanya peningkatan jumlah keluhan dan insiden penipuan terkait e-commerce yang berakibat kepercayaan masyarakat terhadap e-commerce menurun. Salah satu akar permasalahan yang diidentifikasi yaitu maraknya opini negatif publik yang cenderung mendorong pelanggan untuk tidak menggunakan layanan e-commerce. Oleh karena itu, penelitian ini menganilisis sentimen publik dengan tujuan mengetahui model terbaik untuk mengklasifikasikan sentimen, tren sentimen dari waktu ke waktu, topik utama yang melandasi sentimen tersebut, serta rekomendasi berdasarkan analisis. Penelitian ini menggunakan data dari Twitter dengan periode tweet dari Agustus hingga Oktober 2023, berfokus pada tiga e-commerce terbesar di Indonesia. Pada tahap analisis, metode machine learning untuk analisis sentimen dan Latent Dirichlet Allocation (LDA) untuk pemodelan topik diimplementasikan. Hasil penelitian menunjukkan bahwa model terbaik untuk mengklasifikasikan sentimen adalah Support Vector Machine (SVM) dengan temuan yaitu sentimen netral mendominasi, sentimen negatif stabil dengan beberapa peningkatan, sementara sentimen positif lebih bervariasi, terdapat lonjakan di beberapa titik. Topik utama sentimen positif berkaitan dengan proses belanja menyenangkan, fitur inovatif, event khusus, harga dan penawaran murah, serta dukungan terhadap produk lokal di e-commerce. Sentimen negatif berpusat pada isu ketidaksesuaian barang, pengembalian dana, pengiriman barang, dan layanan pelanggan. Rekomendasi untuk meningkatkan kepuasan pelanggan mencakup memperkuat aspek-aspek yang memicu sentimen positif, serta menangani permasalahan yang memicu sentimen negatif, seperti perbaikan proses pengiriman, dan penguatan langkah-langkah keamanan untuk mengatasi penipuan.

---

E-commerce plays a vital role in Indonesia's digital economy, but statistics reveal an increase in complaints and fraud incidents associated with e-commerce, leading to a decline in public trust. One identified root issue is the prevalence of negative public opinions, discouraging customers from using e-commerce services. Therefore, this study analyzes public sentiment with the aim of determining the best model for sentiment classification, understanding sentiment trends over time, identifying key topics underlying these sentiments, and providing recommendations based on the analysis. The study utilizes Twitter data from August to October 2023, focusing on the three largest e-commerce platforms in Indonesia. In the analysis phase, machine learning methods for sentiment analysis and Latent Dirichlet Allocation (LDA) for topic modeling are implemented. The findings indicate that the Support Vector Machine (SVM) is the best model for sentiment classification. Neutral sentiment dominates, negative sentiment remains stable with occasional increases, while positive sentiment is more varied, experiencing spikes at certain points. Key topics associated with positive sentiment include enjoyable shopping experiences, innovative features, special events, affordable pricing, and support for local products in e-commerce. Negative sentiment revolves around issues of product mismatch, refund processes, shipping concerns, and customer service. Recommendations to enhance customer satisfaction involve strengthening aspects that trigger positive sentiments and addressing issues causing negative sentiments, such as improving the delivery process and reinforcing security measures to tackle fraud."

"Persaingan pasar yang ketat membuat pengelola aplikasi XYZ harus dapat menghadirkan keunggulan dari produknya. Untuk itu, pengelola XYZ melakukan analisis terhadap ulasan yang diberikan oleh penggunanya. Namun, pengelola aplikasi XYZ mengalami kesulitan dalam melakukan analisis ulasan karena menggunakan cara yang manual dan tidak efisien. Penelitian ini dilakukan untuk mengetahui sentimen dari aspek-aspek mobile service quality (M-S-QUAL) dan topik-topik yang sering dibicarakan oleh pengguna aplikasi XYZ pada review Google Playstore. Data ulasan yang digunakan merupakan ulasan dari bulan Januari 2023 hingga Agustus 2024, data ini berjumlah 13,364 data. Terdapat 5,000 data yang dianotasi. Data tersebut kemudian dibersihkan dan digunakan untuk melakukan analisis sentimen berbasis aspek (ABSA) dan pemodelan topik. Hasil penelitian menunjukkan dari sembilan aspek M-S-QUAL, terdapat tiga aspek yang dieliminasi karena kekurangan data, dan terdapat empat aspek yang dieliminasi karena model machine learning yang dilatih memiliki performa yang kurang baik dengan F1-score dibawah 0.7. Model yang layak digunakan untuk scoring hanya ada pada aspek billing dan system availability yaitu model XGBoost dengan teknik oversampling synthetic minority over-sampling technique (SMOTE) untuk kedua aspek. Performa dari model-model ini adalah 0.758 pada aspek billing, dan 0.802 pada aspek system availability. Dari 4,006 ulasan relevan pada aspek billing, 6.44% adalah sentimen positif, 90.81% adalah sentimen negatif, dan 2.75% adalah sentimen netral. Dari 2,410 ulasan relevan pada aspek system availability, 7.88% memiliki sentimen positif, 86.76% memiliki sentimen negatif, dan 5.35% memiliki sentimen netral. Hasil ini menunjukkan bahwa sentimen dominan pada ulasan yang relevan dengan aspek billing dan system availability adalah sentimen negatif. Pemodelan topik dilakukan untuk masing-masing sentimen positif dan negatif pada aspek billing dan system availability. Pemodelan topik aspek billing menghasilkan 3 topik untuk sentimen positif, 3 topik untuk sentimen negatif. Pemodelan topik aspek system availability menghasilkan 2 topik untuk sentimen positif, dan 2 topik untuk sentimen negatif. Topik-topik ini yang dapat dijadikan poin perbaikan dan peningkatan aplikasi XYZ.

---

The intense competition in the market forces the XYZ management to offer competitive advantages in their product. To achieve this, they analyze user reviews. However, they face challenges in analyzing user reviews because they still use manual methods, which makes the process inefficient. This study aims to understand the sentiment of aspects of mobile service quality (M-S-QUAL) and the popular topics from XYZ app users in Google Play Store reviews. The data used in this study was 13,364 reviews from January 2023 to August 2024, with 5,000 of them manually labeled. The data was cleaned and used for aspect-based sentiment analysis (ABSA) and topic modeling. The results showed that, out of nine M-S-QUAL aspects, three were excluded due to insufficient data, and four more were excluded because the machine learning models performed poorly, with F1-scores below 0.7. Only the billing and system availability aspects had decent models. The models for these aspects used the XGBoost algorithm combined with synthetic minority over-sampling technique (SMOTE). The models’ performance scores were 0.758 for billing and 0.802 for system availability. For the billing aspect, out of 4,006 relevant reviews, 6.44% had positive sentiment, 90.81% were negative, and 2.75% were neutral. For system availability, out of 2,410 relevant reviews, 7.88% were positive, 86.76% were negative, and 5.35% were neutral. This shows that most users had negative sentiment about billing and system availability. Topic modeling was conducted separately for positive and negative sentiments in both the billing and system availability aspects. For the billing aspect, topic modeling resulted in three topics for positive sentiment and three topics for negative sentiment. For the system availability aspect, two topics were identified for both positive and negative sentiments. These topics can serve as key areas for improving and enhancing the XYZ application."

"Artificial Intelligence (AI) didefinisikan sebagai teknologi yang memungkinkan mesin untuk dapat meniru berbagai keterampilan kompleks dari manusia di mana penggunaannya memiliki potensi yang besar. AI dapat digunakan salah satunya di tempat kerja untuk membantu menyelesaikan pekerjaan yang ada. Namun, tentunya dengan adanya penggunaan AI di tempat kerja menghadirkan kekhawatiran seperti contohnya dapat digantikannya manusia dengan AI. Berdasarkan masalah tersebut, terdapat akar masalah yang diidentifikasi yaitu adanya opini negatif yang berkembang di masyarakat tentang dampak penggunaan AI di tempat kerja. Oleh sebab itu, dilakukan analisis sentimen terhadap opini masyarakat pada penelitian ini yang bertujuan untuk mengetahui model terbaik untuk mengklasifikasikan sentimen, topik-topik yang menjadi pembahasan dalam masing-masing sentimen, perubahan tren sentimen seiring waktu, dan rekomendasi yang dapat diberikan pada pihak terkait berdasarkan analisis. Data yang digunakan pada penelitian ini merupakan data Twitter yang berupa tweets yang membahas tentang penggunaan AI di tempat kerja dengan periode Januari 2022 sampai Mei 2024. Metode analisis yang digunakan pada penelitian ini adalah metode machine learning untuk analisis sentimen dan Latent Dirichlet Allocation (LDA) untuk pemodelan topik. Kontribusi teoritis penelitian ini adalah pengembangan analisis sentimen dan pemodelan topik pada tweets yang membahas tentang penggunaan AI khususnya di tempat kerja. Analisis menghasilkan model dengan algoritme Logistic Regression (LR) sebagai model dengan performa terbaik. Selain itu, hasil juga menunjukkan terdapat beberapa topik utama yang dibahas pada masing-masing sentimen dengan terdapatnya 10 topik pada sentimen negatif, 10 topik pada sentimen positif, dan 5 topik pada sentimen netral. Pada analisis tren terdapat beberapa temuan seperti sentimen netral dengan fluktuasi yang cukup stabil dan sentimen positif dan negatif yang memiliki fluktuasi tinggi pada bulan-bulan tertentu. Rekomendasi untuk dapat meredakan opini buruk dan kekhawatiran masyarakat dan pekerja dengan adanya AI di tempat kerja dapat dibuat regulasi dan hukum yang spesifik mengenai penggunaan AI di tempat kerja berdasarkan dari hal-hal yang menjadi topik pembicaraan pada sentimen negatif. Lalu, masyarakat juga dapat menggunakan AI di tempat kerja dengan bertanggung jawab. Selain itu, pemberi kerja juga dapat melakukan adaptasi teknologi dengan bijak dan menerapkan aturan dalam internal perusahan untuk dapat menjaga data internal perusahaan.

---

Artificial Intelligence (AI) is defined as a technology that enables machines to mimic various complex human skills, with significant potential for its applications. One notable use of AI is in the workplace to assist in completing tasks. However, the use of AI in the workplace raises concerns, such as the potential for AI to replace human workers. Based on this issue, a core problem identified is the negative perception prevalent in society about the impact of AI in the workplace. Therefore, this research conducts a sentiment analysis of public opinion to determine the best model for classifying sentiments, identify the main topics discussed within each sentiment, analyze the trend changes in sentiments over time, and provide recommendations to relevant stakeholders based on the analysis. The data used in this research consists of Twitter data, specifically tweets discussing the use of AI in the workplace, spanning from January 2022 to May 2024. The analytical methods employed in this research include machine learning techniques for sentiment analysis and Latent Dirichlet Allocation (LDA) for topic modeling. The theoretical contribution of this research is the development of sentiment analysis and topic modeling for tweets discussing the use of AI specifically in the workplace. The analysis results identified the Logistic Regression (LR) algorithm as the best-performing model. Additionally, the results revealed several key topics discussed within each sentiment, with 10 topics in negative sentiment, 10 topics in positive sentiment, and 5 topics in neutral sentiment. The trend analysis yielded several findings, such as the relatively stable fluctuations in neutral sentiment and the high fluctuations in positive and negative sentiments during certain months. Recommendations to alleviate public and employee concerns regarding the presence of AI in the workplace include establishing specific regulations and laws governing its use based on issues that are commonly discussed in negative sentiments. Furthermore, the public should responsibly engage with AI in the workplace. Additionally, employers can prudently adapt to technology and enforce internal rules to safeguard corporate data."

"Teknologi mempengaruhi berbagai lini kehidupan masyarakat. Penggunaan transportasi, memenuhi kebutuhan seperti belanja, bahkan juga untuk bersosialisasi semuanya menggunakan teknologi. Aktivitas seperti jual beli juga pun terpengaruh, hingga mendorong munculnya e-commerce. E-commerce tentu berkaitan dengan pelanggan maupun pengguna e-commerce yang mengungkapkan berbagai opininya. Beberapa opini disampaikan melalui media sosial yang dimiliki oleh e-commerce salah satunya adalah Twitter. Opini inilah yang menarik dieksplorasi untuk diketahui sentimen dan tingkat kepuasan dari pelanggan e-commerce. Oleh karenanya, penelitian ini bertujuan untuk menyusun aspek kepuasan pelanggan dan juga menentukan metode Lexicon yang relevan untuk analisis sentimen. Data diambil dari microblogs Twitter terbatas pada 5 penyelenggara e-commerce yaitu Blibli, Bukalapak, Lazada, Shopee, dan Tokopedia sebanyak 88.816 tweet. Dikategorisasikan ke dalam aspek-aspek sehingga menjadi 12.995 tweet. Aspek-aspek kepuasan pelanggan disusun melalui studi literatur dan menghasilkan 6 aspek. Keenam aspek tersebut adalah aspek produk, penjual, logistik, harga, layanan, dan sistem. Kategorisasi tweet ke dalam aspek menggunakan kata kunci berkaitan dengan aspek-aspek sebanyak 73 kata kunci yang dihasilkan dari analisis hasil word cloud dan topic modelling yang menggunakan LDA. Untuk pemilihan metode lexicon dibuat skenario yang diujikan pada 300 tweet yang dilabeli secara manual dan dipilih secara acak dari data aspek. Skenario yang dilakukan pada data berlabel ada dua, yaitu menggunakan Lexicon 1 dan Lexicon 2. Lexicon 1 adalah perbandingan kamus, sedangkan Lexicon 2 merupakan perbandingan rumus yang berbeda. Hasil Lexicon 1 adalah seluruh kamus memiliki nilai akurasi sama yaitu 0,54. Sedangkan pada Lexicon 2 memiliki nilai akurasi tertinggi yaitu 0,46 dari kamus berskala 1 dengan rumus pertama. Sehingga, metode terpilih adalah Lexicon 1 menggunakan kamus InSet. Penerapan kategorisasi aspek menghasilkan bahwa aspek dominan pada masing-masing e-commerce dan pada keseluruhan e-commerce adalah aspek produk. Penerapan metode berbasis leksikon pada analisis sentimen menghasilkan bahwa di seluruh e-commerce pada setiap aspeknya memiliki sentimen dominan positif. Implikasi dari penelitian ini adalah bertambahnya khazanah ilmu pengetahuan berkaitan kepuasan pelanggan dan bervariasinya kamus serta metode berbasis leksikon yang dapat menjadi referensi dan penelitian lebih lanjut. Selain itu, bagi penyelenggara e-commerce penelitian ini dapat membantu analisis untuk peningkatan maupun pengambilan kebijakan.

---

Technology affects various lines of people's lives. The use of transportation, meeting needs such as shopping, and even socializing all use technology. Activities such as buying and selling were also affected, thus encouraging the emergence of e-commerce. E-commerce is undoubtedly related to customers and e-commerce users who express various opinions. Some opinions are conveyed through social media owned by e-commerce, one of which is Twitter. This opinion is interesting to be explored to find out the sentiment and satisfaction level of e-commerce customers. Therefore, this study aims to compile aspects of customer satisfaction and determine the Lexicon method relevant to sentiment analysis. Data was taken from Twitter microblogs limited to 5 e-commerce organizers, namely Blibli, Bukalapak, Lazada, Shopee, and Tokopedia, with a total of 88,816 tweets. Categorized into aspects so that it becomes 12,995 tweets. Aspects of customer satisfaction are compiled through literature studies and produce six aspects. The six aspects are product, seller, logistics, price, service, and system. Categorizing tweets into aspects using keywords related to aspects as many as 73, resulting from analysis of word cloud results and topic modeling using LDA.

For the selection of the lexicon method, scenarios were created that were tested on 300 tweets labeled manually and randomly selected from aspect data. Two scenarios were performed on labeled data using Lexicon 1 and Lexicon 2. Lexicon 1 is a comparison of dictionaries, while Lexicon 2 is a comparison of different formulas. The result of Lexicon 1 is that all dictionaries have the same accuracy value of 0.54. Meanwhile, Lexicon 2 has the highest accuracy value of 0.46 on a scale of one dictionary with the first formula. So, the chosen method is Lexicon 1 using the InSet dictionary. The application of aspect categorization results in the dominant aspect in each e-commerce, and all e-commerce is the product aspect. Applying the lexicon-based method to sentiment analysis results in all e-commerce has dominant positive sentiment in every aspect. The implication of this research is to increase the knowledge related to customer satisfaction and the variety of dictionaries and lexicon-based methods that can be used as references and further research. In addition, for e-commerce organizers, this research can assist analysis for improvement and policy making."

"Peran internet semakin penting dalam berbagai aspek kehidupan masyarakat. Kebutuhan akan internet menjadi peluang bagi penyedia internet, salah satunya Telkom dengan IndiHome. Sebagai BUMN, Telkom berperan sebagai penyedia layanan internet untuk memenuhi kebutuhan masyarakat. Berdasarkan survei kepuasan pelanggan tahun 2019 dan 2020, NPS IndiHome tidak mencapai target. Dari target besar atau sama dengan 5, tahun 2019 dan 2020, NPS IndiHome sebesar -1,67 dan 2,87. Hal ini karena pengerjaan permasalahan masih berdasarkan laporan, belum memiliki cara untuk mengetahui permasalahan yang terjadi dan belum memanfaatkan opini media sosial karena masih memanfaatkan survei. Penelitian ini membangun model analisis sentimen dam topic modelling IndiHome pada twitter & instagram. Data diambil dari bulan Maret 2019-April 2021. Model yang dihasilkan menggunakan metode SVM, twitter akurasi 70,13% dan instagram akurasi 73,55%. Sentimen mayoritas negatif, nilai NPS -79,49 pada twitter dan -56,12 pada Instagram. Dari twitter & instagram respons terhadap IndiHome memiliki indeks negatif, dimana masyarakat tidak puas dengan IndiHome. Hasil Topik diskusi negatif yaitu internet IndiHome mati mendadak, internet IndiHome lamban, internet IndiHome mati ketika terjadi hujan, biaya IndiHome mahal, pelayanan IndiHome tidak responsif, pelayanan IndiHome tidak solutif, sudah bayar internet diisolir, janji temu teknisi tidak sesuai waktu, dan ingin berhenti berlangganan atau pindah provider.

---

The role of the internet is increasingly important in various aspects of people's lives. The need for internet is an opportunity for internet providers, one of which is Telkom and IndiHome. As a BUMN, Telkom acts as a provider of internet services to meet the needs of the community. Based on customer satisfaction surveys in 2019 and 2020, IndiHome's NPS did not reach the target. Of the large target or equal to 5, in 2019 and 2020, IndiHome's NPS is -1.67 and 2.87. This is because the problem solving is still based on reports, does not have a way to find out the problems that occur and has not used social media opinions because they are still using surveys. This study builds a sentiment analysis model and IndiHome topic modeling on Twitter & Instagram. The data was taken from March 2019-April 2021. The resulting model used the SVM method, twitter 70.13% accuracy and instagram 73.55% accuracy. The majority sentiment is negative, the NPS score is -79.49 on Twitter and -56.12 on Instagram. From Twitter & Instagram, the response to IndiHome has a negative index, where people are not satisfied with IndiHome. The results of the negative discussion topics are IndiHome internet shuts down suddenly, IndiHome internet is slow, IndiHome internet shuts down when it rains, IndiHome costs are expensive, IndiHome services are unresponsive, IndiHome services are not solutive, already paid for the internet is isolated, technician appointments are not on time, and want to stop subscribe or switch providers."

"Perbankan di Indonesia telah meluncurkan aplikasi perbankan seluler dengan tujuan untuk memberikan pengalaman layanan yang baik bagi nasabah. Bank harus meningkatkan efektivitas aplikasi perbankan seluler mereka untuk memberikan peningkatan nilai aplikasi tersebut. Dalam upaya menemukan ruang perbaikan bagi perbankan, penelitian ini dilakukan untuk mengetahui topik yang umum dibicarakan serta mengetahui sentimen ulasan pengguna layanan perbankan seluler di Indonesia pada ulasan Google Play yang dimiliki oleh BNI, BCA, dan Mandiri. Penelitian ini menambah penerapan text mining dan membantu pengembang platform digital perbankan ulasan dengan efisien, dan mendukung pengambilan keputusan dan strategi bisnis unggul. Tiga algoritma klasifikasi sentimen, yaitu logistic regression, naïve bayes, dan support vector machine digunakan dalam penelitian ini. Algoritma dijalankan pada pemodelan train data, k-fold cross validation data train, k-fold cross validation semua data, dan prediksi data test. Pemodelan topik adalah LDA (Latent Dirichlet Allocation) untuk kategori sentimen. Algoritma logisitc regression memiliki akurasi tertinggi yaitu 97,00 %. Model digunakan pada data baru, diketahui ulasan didominasi dengan sentimen negatif yaitu sebesar 62,22% atau sebanyak 7.374 sedangkan ulasan sentimen positif sebesar 37,78% atau sebanyak 4.477 ulasan. Pemodelan topik ulasan aplikasi perbankan seluler sentimen positif memiliki nilai koheren tertinggi 0,649 dengan jumlah 19 topik membahas kemudahan dan kelancaran transaksi, kelengkapan fitur, keamanan, akses dan login, kecepatan dan efisiensi, dan kemudahan penggunaan. Pemodelan topik ulasan aplikasi perbankan seluler sentimen negatif memiliki nilai koheren tertinggi 0,440 dengan jumlah 18 topik membahsas push notifikasi uang masuk, top-up dan transfer gagal, kesulitan login aplikasi perbankan seluler, update mengganggu, gagal transaksi, saldo terpotong saat gagal transaksi, error sistem, kendala BI-Fast dan kartu, dan masalah verifikasi. Kata kunci: pemodelan topik, analisis sentimen, text mining, aplikasi perbankan seluler, ulasan aplikasi.

---

Banks in Indonesia have launched mobile banking to provide good experience for customers. However, digital mobile banking services in Indonesia are considered unideal. Banks shall increase the effectiveness of their mobile banking applications to gain value added. Finding room for improvement can be done by analyzing mobile banking user feedback in the Google Play review column. This research aims to determine the topics that are commonly discussed and expected as well as to find out the sentiment of reviews of mobile banking owned by BNI, BCA, and Mandiri. This research enhances the application of text mining and helps digital banking platform developers analyze reviews efficiently, supporting decision-making and superior business strategies. Three sentiment classification algorithms, namely logistic regression, naïve Bayes, and support vector machine were used in this research. Each algorithm is run for modeling train data, k-fold cross validation of train data, k-fold cross validation of all data, and prediction of test data. Topic modeling is LDA (Latent Dirichlet Allocation) for each sentiment category. The logical regression algorithm is the highest accuracy, 97.00%. Apply model for new data, 62.22% or 7,374 reviews are dominated by negative sentiment, while positive sentiment reviews are 37.78% or 4,477 reviews. Topic modeling of mobile banking review with positive sentiment has the highest coherent value of 0.649 with 19 topics discusses ease and smoothness of transactions, completeness of features, security, access and login, speed and efficiency, and ease of use. Meanwhile, topic modeling with negative sentiment has the highest coherent value of 0.440 with a total of 18 topics discusses push notifications for incoming money, failed top-ups and transfers, difficulties login to mobile banking, annoying updates, failed transactions, balances deducted when transactions fail, system errors, BI-Fast and card problems, and verification problems."

"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."

"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."

"Komisi Pemberantasan Korupsi (KPK) memiliki kewenangan dalam melakukan pendaftaran dan pemeriksaan terhadap Laporan Harta Kekayaan Penyelenggara Negara (LHKPN). Pelaporan ini berfungsi untuk melakukan pengawasan kejujuran, integritas, dan deteksi kemungkinan adanya tindakan memperkaya diri secara melawan hukum oleh pejabat publik. Publikasi LHKPN sering menimbulkan prasangka negatif dan kecurigaan publik terhadap laporan harta kekayaan pejabat yang mengakibatkan kekhawatiran pejabat untuk melaporkan harta kekayaan secara lengkap dan benar. Persepsi ini menjadi kontraproduktif dengan upaya pencegahan korupsi yang dilakukan oleh KPK apabila tidak direspon dengan cepat. Penelitian ini bertujuan untuk membuat model analisis sentimen dan pemodelan topik yang dapat mengeksplorasi topik dari data media sosial Twitter. Indonesia memiliki jumlah pengguna aktif terbesar keenam di dunia dengan 15,7 juta pengguna yang didominasi kelompok usia 25-34 tahun. Dataset sejumlah 881 data diambil dari Twitter dengan kata kunci "lhkpn" dan "harta kekayaan pejabat" pada periode 1 Agustus sampai 5 November 2021. Penelitian ini mengekplorasi beberapa algoritma klasifikasi, representasi fitur unigram, bigram, dan trigram dengan CountVectorizer dan TFIDF, serta metode oversampling SMOTE. Algoritma klasifikasi dengan performa paling baik pada penelitian ini adalah Multilayer Perceptron dengan fitur unigram CountVectorizer dan metode oversampling dengan accuracy 76,60%, precision 78,19%, recall 76,60%, dan F1 score 76,95%. Hasil pemodelan topik menggunakan Latent Dirichlet Allocation pada kategori ‘negatif’ didominasi ekspresi kekecewaan dan kemarahan masyarakat terhadap meningkatnya harta kekayaan pejabat selama masa pandemi Covid-19 yang berbanding terbalik dengan meningkatnya utang negara dan kesulitan yang dihadapi masyarakat selama pandemi. Topik yang dihasilkan pada kategori ‘positif’ cukup beragam mulai dari aturan untuk melakukan pembuktian terbalik, usulan mengenai kewajiban pelaporan dan sanksi, permintaan untuk membuka laporan kekayaan kepada publik, serta pembahasan mengenai kewajaran penambahan harta kekayaan yang disebabkan oleh meningkatnya nilai aset tidak bergerak.

---

The Corruption Eradication Commission (KPK) has the authority to register and examine Public Officials Wealth Reports (LHKPN). This report serves to monitor honesty, integrity, and detect the possibility of illegal enrichment by public officials. Publication of LHKPN often creates negative prejudice and public suspicion of official wealth reports, which causes officials to worry about reporting assets completely and correctly. This perception is counterproductive to the efforts to prevent corruption carried out by the KPK if it is not responded to quickly. This study aims to create a sentiment analysis model and topic modelling that can explore topics from Twitter social media data. Indonesia has the sixth-largest number of active users in the world with 15.7 million users, dominated by the 25-34 year age group. A dataset of 881 data was taken from Twitter with the keywords "lhkpn" and "official assets" in the period August 1 to November 5, 2021. This study explores several classification algorithms, representation of unigram, bigram, and trigram features with CountVectorizer and TFIDF, as well as SMOTE oversampling methods. The classification algorithm with the best performance is the Multilayer Perceptron with the unigram CountVectorizer feature and the oversampling method with 76.60% accuracy, 78.19% precision, 76.60% recall, and 76.95% F1 score. The results of topic modelling using Latent Dirichlet Allocation in the 'negative' category are dominated by expressions of public disappointment and anger towards the increase in official wealth during the Covid-19 pandemic which is inversely proportional to the increase in state debt and the difficulties faced by the community during the pandemic. The topics generated in the 'positive' category are quite diverse, starting from the rules for conducting reverse verification, proposals on reporting obligations and sanctions, requests to disclose wealth reports to the public, as well as discussions on the reasonableness of adding to assets caused by the increase in the value of immovable assets."

"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."