Hasil Pencarian  ::  Simpan CSV :: Kembali

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

"Dalam dunia politik dewasa ini, penggunaan media sosial sebagai media untuk menyampaikan dukungan politik dan untuk berkampanye sudah menjadi hal yang sangat sering dilakukan. Twitter adalah salah satu dari media sosial yang sering digunakan untuk kampanye, hal ini karena kelebihan Twitter yang bersifat formal dan beruntun secara waktu. Namun Twitter juga memiliki kelemahan seperti tidak adanya keterangan demografis sehingga susah untuk diolah. Maka dari itu penelitian ini bertujuan untuk mencari tahu pola demografi dari pendukung masing-masing pasangan calon Presiden Indonesia 2019 pada Twitter berbahasa Indonesia.Dalam mencari demografi, penelitian ini menggunakan metode klasifikasi teks dan menggunakan kamus nama dan jenis kelamin. Kamus nama dan jenis kelamin yang digunakan berasal dari data pemilih tetap KPU. Label demografi yang digunakan antara lain, laki-laki, perempuan, generasi Z, generasi milenial, generasi X+, luar jawa dan jawa. Untuk menentukan pilihan dukungan, penelitian ini menggunakan metode sentimen analisis yang cocok digunakan untuk kalimat pendek yaitu metode SentiStrength.Hasil dari penelitian ini menunjukkan bahwa mayoritas pengguna Twitter yang aktif berbincang berkaitan dengan politik pemilihan presiden dan wakil presiden Indonesia 2019 adalah perempuan dengan kategori umur milenial atau rentang umur 25-39 tahun.

---

In today’s political world, the use of social media as a medium to convey political views and using it for campaign has become a very common thing. Social media can be used to express one’s expression both in supporting a political party and someone who is running for politics. Twitter is one of the social media that is often used for campaign, this is because of Twitter’s unformal and chronological feature. But Twitter also has weakness such as the absence of demographic information. Therefore this study aims to find out the demographic patterns of supporter of each Indonesian Presidential candidate 2019 on Indonesian language Twitter.

For searching the demographics, this study using text classification method and dictionary of names and genders. The dictionary comes from KPU permanent voter data. Demographic labels used in this study consist of male, female, generation Z, millennial generation, generation X+, outside Java and Java. To determine the political preference, this study uses the sentiment analysis method that is suitable for short sentences, namely the SentiStrength method.

The results of this study indicate that the majority of Twitter users who actively talk related to the politics of 2019 Presidential and Vice Presidential elections are women with millennial age categories or 25-39 years old."

"Universitas XYZ merupakan salah satu PTS dalam bentuk universitas yang berlokasi di Tangerang, yang memiliki kewajiban untuk menjamin dan memberikan pendidikan bermutu kepada mahasiswa selaku salah satu pemangku kepentingan yang memiliki dampak secara langsung pada mutu sebuah universitas. LP2MP bertugas untuk menyelenggarakan pengukuran dan pelaksanaan survei setiap semester dalam bentuk survei umpan balik. Hasil survei tersebut dapat dijadikan sebagai pedoman untuk perbaikan yang berkesinambungan untuk penyelenggaraan penjaminan mutu Dikti dan pengelolaan Universitas XYZ. Namun, pengolahan dan pengukuran data survei secara konvensional tidak cukup untuk mengeksplorasi informasi tersembunyi dari survei. EDM digunakan pada penelitian ini untuk mengolah dan menganalisa data dari Universitas XYZ berupa survei bagian Open Ended Question (OEQ) yang terdiri dari Student Feedback Questionaire (SFQ), Facility Satisfaction Questionaire (FSQ), dan Graduate Feedback Questionaire (GFQ).Tujuan dari penelitian ini adalah untuk mendukung pengambilan keputusan dalam mengambil tindakan proaktif terhadap perbaikan mutu Universitas XYZ. Penelitian ini melakukan klasifikasi label aspek, sentimen analisis, dan tren topik survei SFQ, FSQ, dan GFQ pada bagian OEQ. Klasifikasi label aspek Multi Class survei SFQ memilih model klasifikasi terbaik dengan membandingkan hasil evaluasi accuration, precision, recall, dan F1-Score terhadap setiap kombinasi fitur dan perbandingan empat algoritma klasifikasi yaitu Decision Tree (DT), Naïve Bayes (NB), K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM). Klasfikasi label aspek multi label survei FSQ dan GFQ memilih model klasifikasi terbaik dengan membandingkan hasil evaluasi tiga jenis library multilabel dari SciKit-Learn, yaitu Binary Relevance (BL), Label Power Set (LPS), dan Classifier Chain (CC) terhadap setiap kombinasi fitur dan empat algoritma klasifikasi tersebut.Hasil dari penelitian ini adalah teknik klasifikasi menggunakan kombinasi fitur TFIDF, Unigram, dan Bigram dengan algoritma SVM merupakan model klasifikasi terbaik untuk pelabelan aspek survei SFQ. Teknik klasifikasi menggunakan kombinasi fitur TFIDF, Unigram, dan Bigram dengan algoritma SVM dan library Multi Label CC merupakan model klasifikasi terbaik untuk pelabelan aspek survei FSQ. Teknik klasifikasi menggunakan kombinasi fitur Count Vectorizer, Unigram, dan Bigram dengan algoritma NB dan library Multi Label BR merupakan model klasifikasi terbaik untuk pelabelan aspek survei GFQ. Selain itu, algoritma SentiStrenghtID digunakan untuk mendapatkan sentimen dan algoritma LDA digunakan untuk mendapatkan tren topik tahunan pada setiap label aspek survei SFQ, FSQ, dan GFQ.

---

XYZ University is one of the universities in the form of universities located in Tangerang, which has an obligation to guarantee and provide quality education to students as one of the stakeholders that has a direct impact on the quality of a university. LP2MP is tasked to carrying out measurements and implementation of feedback every semester in the form of surveys as one part of quality control directly to stakeholders. The results of the surveys can be used as a guideline for continuous improvement in the implementation of Dikti quality assurance and management of XYZ University. However, conventional processing and measurement of feedback data are not enough to explore hidden information from surveys data. EDM was used in this research to process and analyze data from XYZ University in the form of Student Feedback Questionaire (SFQ), Facility Satisfaction Questionnaire (FSQ), and the Graduate Feedback Questionaire (GFQ) in the Open-Ended Question (OEQ) section.

The purpose of the research is to support decision making in taking proactive actions towards improvement for self-evaluation and quality of XYZ University. This research carried out label aspect classification, analytical sentiment, and trends in the survey topics SFQ, FSQ, and GFQ in the OEQ section. Multi- class aspect label classification SFQ will choose the best classification model by comparing the results of the evaluation of accuracy, precision, recall, and F1-score for each feature combination and comparison of four classification algorithms namely Decision Tree (DT), Naïve Bayes (NB), K- Nearest Neighbor (KNN), and Support Vector Machine (SVM). The classification of the multi-label aspects of the FSQ and GFQ survey labels will have the best classification model by comparing the evaluation results of three multilabel library types from SciKit-Learn, namely Binary Relevance (BR), Label Power Set (LPS), and Classifier Chain (CC) to each combination of features and four classification algorithms.

The results of this research are Classification Techniques using a combination of features of TFIDF, Unigram, and Bigram with the SVM algorithm which is the best Multi Class classification model for labeling aspects of the SFQ survey. Classification techniques use a combination of TFIDF, Unigram, and Bigram features with the SVM algorithm and the Multi-Label library CC is the best Multi-Label classification model for labeling aspects of the FSQ survey. Classification techniques using a combination of Count Vectorizer, Unigram, and Bigram features with the NB algorithm and the Multi-Label library BR are the best Multi-Label classification models for labeling aspects of the GFQ survey. In addition, the SentiStrenghtID algorithm can be used to get sentiments and the LDA algorithm can be used to get annual topic trends on each survey aspect label SFQ, FSQ, and GFQ.

"

"Pemilihan umum presiden merupakan momen krusial dalam demokrasi, di mana opini publik memainkan peran penting dalam menentukan hasil. Dalam era digital, media sosial menjadi platform utama bagi masyarakat untuk menyampaikan pandangan dan opini mereka. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap pemilihan bakal calon presiden Indonesia 2024, yaitu Ganjar, Prabowo, dan Anies melalui media sosial X menggunakan model IndoBERT. Data dikumpulkan dari media sosial X melalui teknik crawling untuk memastikan relevansi data. Model IndoBERT diterapkan untuk melakukan analisis sentimen terhadap data teks yang diklasifikasikan ke dalam kategori positif, negatif, dan netral. Hasil menunjukkan bahwa model dengan hyperparameter terbaik (learning rate 5e-6 dan data splitting 0.2) mencapai akurasi 94.66% dalam mengklasifikasikan sentimen, dengan nilai precision, recall, dan f1-score yang konsisten. Meskipun demikian, terdapat kecenderungan bahwa model memprediksi kurang atau memprediksi berlebih jumlah data pada semua kandidat. Analisis dari precision-recall curve menunjukkan bahwa ketidakseimbangan data memiliki pengaruh terhadap performa model, namun model dengan hyperparameter terbaik tetap mencapai nilai AUC 0.92 terhadap ketidakseimbangan data tersebut. Analisis sentimen ini memberikan wawasan penting bagi partai politik dalam menentukan strategi kampanye dan mengidentifikasi kandidat yang paling disukai oleh masyarakat dalam pemilihan umum presiden 2024.

---

The presidential election is a crucial moment in democracy, where public opinion plays a vital role in determining the outcome. In the digital era, social media has become a primary platform for people to express their views and opinions. This research aims to analyze public sentiment towards the 2024 Indonesian presidential candidates—Ganjar, Prabowo, and Anies—through social media platform X using the IndoBERT model. Data was collected from social media X through crawling techniques to ensure data relevance. The IndoBERT model was applied to perform sentiment analysis on the text data, classifying it into positive, negative, and neutral categories. The results show that the model with the best hyperparameters (learning rate of 5e-6 and data splitting of 0.2) achieved 94.66% accuracy in sentiment classification, with consistent precision, recall, and f1-score values. However, there is a tendency for the model to underpredict or overpredict the amount of data for all candidates. Analysis of the precision-recall curve indicates that data imbalance affects the model's performance, but the model with the best hyperparameters remains achieved AUC 0.92, indicating robustness against this imbalance. This sentiment analysis provides important insights for political parties in determining campaign strategies and identifying the most favored candidates by the public in the 2024 presidential election."