Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKBig Data adalah salah satu fenomena yang sudah tidak jarang terjadi di berbagai aspek-aspek kehidupan, baik di bidang industri, keuangan, sosial, dan sebagainya. Dari segi sosial, penggunaan media sosial seperti Twitter merupakan salah satu aplikasi nyata dari teknologi Big Data. Melalui opini-opini yang disampaikan pada Twitter, kita dapat mengetahui hal-hal apa saja yang menjadi topik terkini. Dengan besarnya jumlah tweet yang dipublikasikan tiap hari, atau tiap jam, membuat analisis terhadap Twitter ini hampir mustahil dilakukan tanpa menggunakan teknologi komputasi. Environment seperti Hadoop, Flume, dan Hive merupakan salah satu teknologi dapat digunakan untuk menganalisis jumlah data yang besar, yang mengalir di dalam Twitter.

---

ABSTRACTBig Data is one of the global phenomenon that has become broad thing in the various aspects of the daily life, such as in industry sector, finance sector, social sector, etc. From the social aspect, the usage of the social media such as Twitter is one of the real application of the Big Data technology. Through the opinions that expressed on Twitter, we can find out about the things that become the current trending topic. With the numbers of the tweets that published every day, or every hour, making it impossible to do the Twitter analyzing without the use of the computational technology. The environment such as Hadoop, Flume, dan Hive is one of the technologies that can be use to analyze the enormous size of data, that flows around Twitter. "

"Adanya peristiwa selama tahapan penyelenggaraan pemilu 2024, menimbulkan berbedaan pandangan diantara para Ahli, akan potensi terciptanya persepsi buruktentang Pemilu 2024. Sehingga dibutuhkan pengukuran perbandingan sentimen untuk menindaklanjuti dan membuktikan pandangan tersebut. Di sisi lain media sosial hadir sebagai tempat yang memungkinkan penggunanya untuk mengeskpresikan opini yang dimiliki, termasuk opini tentang penyelenggaraan Pemilu. Besarnya adopsi media sosial di Indonesia, memungkinkannya digunakan sebagai sumber data dalam pengukuran perbandingan sentimen masyarakat terkait dengan Pemilu 2024. Namun dalam menganalisa data yang berasal dari media sosial membutuhkan sumber daya dan waktu yang tidak sedikit jika dilakukan secara manual, dikarenakan adanya karakterstik high velocity, high volume dan high variety yang dimiliki oleh data yang berasal dari media sosial. Text analytics dengan pendekatan machine learning telah banyak digunakan dan menjadi state-of-the-art cara yang mengatasi permasalahan tersebut. Penelitian ini mengkomparasikan algoritma deep learning dengan algoritma machine learning tradisional seperti SVM, random forest dan logistic regression, dalam upaya membangun model analisis sentimen yang dapat digunakan untuk mengukur perbandingan sentimen masyarakat terhadap Pemilu 2024. Teknik pemodelan topik Latent Dirichlet Allocation juga digunakan untuk mengidentifikasi topik pembicaraan yang tersembunyi di dalamnya. Hasil dari penelitian menunjukkan algoritma SVM dengan teknik vektorisasi TF-IDF unigram muncul sebagai algoritma dengan hasil kinerja prediksi terbaik dengan nilai f1-score 0.7890. Selain itu terdapat dinamika pergeseran dominasi sentimen mulai dari masa kampanye, masa tenang dan masa pemungutan sampai dengan masa rekapitulasi suara. Hasil penelitian ini diharapkan dapat memberikan informasi yang bernilai bagi para pemangku kepentingan seperti: Pengamat politik, Praktisi politik, Pemerintah dan Penyelenggara Pemilu.

---

The events occurring during the stages of the 2024 General Election have sparked differing opinions among experts regarding the potential for negative perceptions of the election. Consequently, there is a need to measure sentiment patterns to follow up on and substantiate these views. Meanwhile, social media serves as a platform that allows users to express their opinions, including those about the election. The widespread adoption of social media in Indonesia enables it to be used as a data source for measuring public sentiment patterns related to the 2024 General Election. Analyzing data from social media requires significant resources and time if done manually, due to the high velocity, high volume, and high variety characteristics of social media data. Text analytics with a machine learning approach has been extensively used and has become the state-of-the-art method for addressing these challenges. This study compares deep learning algorithms with traditional machine learning algorithms such as Support Vector Machine (SVM), Random Forest, and Logistic Regression in an effort to build a sentiment analysis model that can be used to measure public sentiment patterns toward the 2024 General Election. The Latent Dirichlet Allocation (LDA) topic modeling technique is also used to identify hidden discussion topics within the data. The results of the study indicate that the SVM algorithm with TF-IDF unigram vectorization technique emerged as the algorithm with the best predictive performance, achieving an f1-score of 0.7890. Meanwhile, the measurement of sentiment patterns showed dynamic shifts in sentiment from the campaign period, the quiet period, and the voting period up to the recapitulation period. The findings of this study are expected to provide valuable information for stakeholders such as political observers, political practitioners, the government, and election organizers."

"[ABSTRAKBanyaknya jejaring sosial yang bermunculan. Salah satu jejaring sosial yang marak digunakan adalah twitter. Kegiatan promosi produk melalui twitter sudah mulai digunakan PT XL Axiata Tbk (XL) sejak tahun 2009 melalui akun @XL123. Penggunaan twitter oleh perusahaan telekomunikasi di Indonesia masih dalam tahap penjualan dan promosi.Namun demikian, analisis yang dilakukan hanya terbatas pada perhitungan jumlah retweet, komentar, dan follower. Analisis belum melihat sejauh mana makna komentar dari pelanggan maupun masyarakat. Hal ini akan mempengaruhi keputusan membeli masyarakat jika komentar yang diberikan negatif, dan sebaliknya komentar positif akan meningkatkan citra perusahaan di mata stakeholder. Hal ini dapat dilihat dari fakta bahwa rating yang diperoleh XL Axiata tidak sesuai dengan ekspektasi brand tersebut, yaitu rating 3 dari 10. Sedangkan ekspektasi yang diharapkan berdasarkan analisa perbandingan jumlah follower dan following, semestinya XL Axiata memiliki reputasi yang bagus yaitu 7-8.Penelitian ini melakukan perhitungan reputasi dari produk XL Axiata, dan membandingkannya dengan produk Telkomsel dan Indosat. Selanjutnya dilakukan beberapa teknik ekstrak data, analisis sentimen, serta membandingkan tiga algoritma klasifikasi: Naïve Bayes, Support Vector Machine, dan Decision Tree. Tahap evaluasi performansi menggunakan precision, recall, f-measure, dan kurva ROC (AUC). Hasil menunjukkan bahwa model yang dibentuk oleh SVM memberikan performansi yang lebih baik untuk selanjutnya digunakan untuk melakukan perhitungan Net Brand Reputation. Perhitungan NBR dilakukan di produk 3G, 4G, Voice, SMS, dan Internet (data). Berdasarkan perbandingan kelima produk ini, XL Axiata memperoleh rata-rata nilai reputasi yang lebih di dibandingkan Telkomsel dan Indosat yaitu sebesar 24.5%, sedangkan Telkomsel hanya memperoleh 13.2% dan Indosat 19.3%.

---

ABSTRACTThe internet in Indonesia has grown rapidly, it proved by many social media comes up. One of famous social media is twitter. Campaign product using twitter had been used by XL Axiata since 2009 through account @XL123. Unfortunately, the using of twitter in Indonesia telecommunication company still in the stage of sales and promotions.However, the analysis only calculated number of retweets, comments, dan followers. Analyzes haven?t seen what is the meaning of those comments, whether be positive or negative for XL brand products. Negative comments giving influence to society buying decision, while positive comments create good reputation to stakeholders. This is showned by a fact that the rating obtained XL Axiata does not correspond to the brand?s expectation, ie rating 3 out of 10. While expectation based on comparative analysis of number of followers and following, XL Axiata should have a good reputation in rate 7-8.This study not only calculating XL product but also Telkomsel and Indosat for comparative analysis. Hereafter, we extracted features, algorithms and the classification schemes. Evaluation phase using precision, recall, f-measure and ROC curve (AUC). The sentiments are classified and compared using three different algorithms: Naïve Bayes, Support Vector Machine, and Decision Tree classifier method. The result shows model built by SVM is the best result. Using this model, we measure Net Brand Reputation in 5 products which are 3G, 4G, Voice, SMS, and Internet (data). The experiments showned XL Axiata has the highest reputation score rather than Telkomsel and Indosat with average NBR score 24,5%, while Telkomsel only 13.2% and Indosat 19.3%.;The internet in Indonesia has grown rapidly, it proved by many social media comes up. One of famous social media is twitter. Campaign product using twitter had been used by XL Axiata since 2009 through account @XL123. Unfortunately, the using of twitter in Indonesia telecommunication company still in the stage of sales and promotions.However, the analysis only calculated number of retweets, comments, dan followers. Analyzes haven?t seen what is the meaning of those comments, whether be positive or negative for XL brand products. Negative comments giving influence to society buying decision, while positive comments create good reputation to stakeholders. This is showned by a fact that the rating obtained XL Axiata does not correspond to the brand?s expectation, ie rating 3 out of 10. While expectation based on comparative analysis of number of followers and following, XL Axiata should have a good reputation in rate 7-8.This study not only calculating XL product but also Telkomsel and Indosat for comparative analysis. Hereafter, we extracted features, algorithms and the classification schemes. Evaluation phase using precision, recall, f-measure and ROC curve (AUC). The sentiments are classified and compared using three different algorithms: Naïve Bayes, Support Vector Machine, and Decision Tree classifier method. The result shows model built by SVM is the best result. Using this model, we measure Net Brand Reputation in 5 products which are 3G, 4G, Voice, SMS, and Internet (data). The experiments showned XL Axiata has the highest reputation score rather than Telkomsel and Indosat with average NBR score 24,5%, while Telkomsel only 13.2% and Indosat 19.3%., The internet in Indonesia has grown rapidly, it proved by many social media comes up. One of famous social media is twitter. Campaign product using twitter had been used by XL Axiata since 2009 through account @XL123. Unfortunately, the using of twitter in Indonesia telecommunication company still in the stage of sales and promotions.However, the analysis only calculated number of retweets, comments, dan followers. Analyzes haven’t seen what is the meaning of those comments, whether be positive or negative for XL brand products. Negative comments giving influence to society buying decision, while positive comments create good reputation to stakeholders. This is showned by a fact that the rating obtained XL Axiata does not correspond to the brand’s expectation, ie rating 3 out of 10. While expectation based on comparative analysis of number of followers and following, XL Axiata should have a good reputation in rate 7-8.This study not only calculating XL product but also Telkomsel and Indosat for comparative analysis. Hereafter, we extracted features, algorithms and the classification schemes. Evaluation phase using precision, recall, f-measure and ROC curve (AUC). The sentiments are classified and compared using three different algorithms: Naïve Bayes, Support Vector Machine, and Decision Tree classifier method. The result shows model built by SVM is the best result. Using this model, we measure Net Brand Reputation in 5 products which are 3G, 4G, Voice, SMS, and Internet (data). The experiments showned XL Axiata has the highest reputation score rather than Telkomsel and Indosat with average NBR score 24,5%, while Telkomsel only 13.2% and Indosat 19.3%.]"

"ABSTRAKFenomena market efficiency masih menjadi perdebatan sampai saat ini. Penelitian tentang apakah market sudah efisien atau tidak masih terus dilakukan. Para analis terbagi menjadi dua untuk menganalisis fenomena ini dimana kelompok pertama pendukung traditional finance yang menganggap investor bertindak rasional serta kelompok kedua pendukung behavioral finance yang menganggap investor tidak rasional. Penelitian ini bertujuan untuk menganalisis kejadian overreaction, underreaction, serta sentimen investor yang terdapat di Bursa Efek Indonesia pada tahun 2010 sampai 2014 yang mengacu pada metode yang dilakukan oleh Barberish, Vishny dan Shleifer (1998) dalam melihat ada tidaknya anomali yang terjadi di Bursa Efek Indonesia dengan menguji abnormal return dan cumulative abnormal return dari tiap-tiap saham yang masuk sebagai objek penelitian serta sentimen investor untuk memprediksi future earning. Perhitungan terhadap abnormal return dan cumulative abnormal return kemudian dikaitkan dengan fenomena behavioral finance. Market overreaction mengacu kepada teori overconfidence dan representative heuristic sedangkan market underreaction mengacu kepada teori underconfidence dan conservatism.Pada penelitian ini ditemukan bahwa terdapat indikasi overreaction pada saham winners namun tidak signifikan secara statistik dan tidak ada overreaction pada saham losers. Selain itu, ditemukan adanya indikasi underreaction pada saham losers namun tidak signifikan secara statistik dan tidak ada underreaction pada saham winners. Dari penelitian ini dapat disimpulkan bahwa sentimen investor untuk menghitung future earning tidak bisa digunakan karena market tidak mengalami overreaction dan underreaction.

---

ABSTRACT

Efficiency market hypothesis is still debating at this time. Researching to prove eficiency market is still carry on. Analist divided into two groups to analyze this hypothesis, which is the first group is support traditional finance who assume investor is rational and the second group is support behavioral finance who assume investor is irational. The objective of this study is to analyze overreaction, underreaction and sentiment investor in Indonesia Stock Exchange that occured from 2010 until 2014. The method that used in this study is similiar with a research conducted by Barberish, Vishny and Shleifer (1998) in order to prove anomalies that occured in Indonesia Stock Exchange by testing abnormal return and cumulative abnormal return from stocks as research object and also sentiment investor to calculate future earning. Calculating abnormal return and cumulative abnormal return then connected with behavioral finance phenomena. Market overreaction relate to overconfidence and representative heuristic theory, while market underreaction relate to underconfidence and conservatism theory.

The result of this study shows indication for overreaction in winners stock category but statistically insignificant and there is no overreaction in losers stock category. On the other hand, there is indication for underreaction in losers stock category but statistically insignificant and there is no underreaction in winners stock category. The research conclude that sentiment investor to calculate future earning can not be conducted due to market not run into overreaction and underreaction"

"ABSTRAKTeori behavioral finance menyatakan hal yang kontradiktif dengan teori yang dikemukakan oleh Fama and French mengenai efficient market hypothesis bahwa investor selalu berlaku rasional dalam menentukan keputusan investasi. Adanya kontradiksi ini kmemunculkan adanya perbedapat antara behavioral finance dengan neoclassical finance. Penelitian ini mencoba menganalisis antara hubungan sentiment investor terhadap penilaian harga saham menggunakan model pooled ordinary least square dengan fixed effect model dengan periode penelitian selama delapan tahun yaitu 2008 -2015. Penelitian ini menggunakan sampel penelitian 56 perusahaan non finansial yang terdaftar pada Bursa Efek Indonesia. Hasil dari penelitian ini menunjukkan bahwa sentiment investor tidak mempengaruhi penilaian harga saham di Bursa Efek Indonesia.

---

ABSTRACT

Recent literature in behavioral finance has contradicted the notion of efficiency of markets. Greate emphasis on how psychological biases influence both the behavioral of investors and asset prices has led a strong debat among proponents of behavioral finance and neoclassical finance. This study conducts a pooled ordinary least squares model using the fixed effects estimator to investigate the linkage between investor sentiment an stock prices for 56 firms over a tome period of 8 years, from 2008 ndash 2015. The findings suggest that investor sentiment does not significantly affecr the stock prices in this sample."

"Kampanye merupakan salah satu momen dalam pemilu yang paling ditunggu. Masa kampanye adalah saat dimana calon kepala daerah memperkenalkan diri kepada masyarakat luas, terutama visi dan misinya. Untuk mengetahui pandangan masyarakat terhadap suatu kampanye politik digunakan analisis sentimen menggunakan data Twitter. Penelitian ini melakukan analisis sentimen terhadap kampanye politik pasangan calon gubernur dan wakil gubernur DKI Jakarta tahun 2017. Program yang digunakan untuk klasifikasi yaitu sentiStrength dengan menggunakan pendekatan berbasis leksikon. Dataset yang digunakan untuk klasifikasi yaitu kicauan tweet pengguna yang ditujukan untuk to membalas kicauan akun ofisial calon gubernur dan wakil gubernur, dan kicauan yang menyebut mention akun ofisial calon gubernur dan wakil gubernur pada saat masa kampanye putaran 1 dari tanggal 28 Oktober 2016 sampai 11 Februari 2017 dengan total kicauan yang terkumpul sebanyak 158.517 kicauan dan putaran 2 dari tanggal 7 Maret sampai 15 April 2017 dengan total kicauan yang terkumpul sebanyak 117.074 kicauan. Pengklasifikasian terbagi menjadi 3 kelas yaitu positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa secara umum sentimen positif mendominasi sentimen negatif untuk tiap-tiap calon gubernur dan wakil gubernur, dan hasil perolehan sentimen positif di media sosial Twitter dengan hasil perolehan suara yang didapat oleh pasangan calon gubernur dan wakil gubernur DKI Jakarta 2017 baik pada putaran 1 maupun 2 memiliki urutan yang sama.

---

The campaign is one of the most awaited moments in elections. The campaign period is the time when the candidate head of the region introduces himself to the public, especially his vision and mission. To find out the public view of a political campaign used sentiment analysis using Twitter data. This study analyzes the sentiment toward the political campaign of candidate pair of governor and vice governor of DKI Jakarta in 2017. The program used for classification is sentiStrength by using lexicon based approach. The dataset used for classification is the tweets of users intended to respond to the tweets of the official accounts of candidates for governors and vice governors, and tweets that mention the official accounts of candidates for governor and vice governor during the campaign period round 1 from October 28, 2016 to February 11, 2017 with a total of tweets gathered as many as 158,517 tweets, and round 2 from March 7 to April 15, 2017 with a total tweet gathered 117,074 tweets. Classification is divided into 3 classes of positive, negative, and neutral. The results showed that in general the positive sentiment dominates the negative sentiment for each candidate of governor and vice governor, and the result of positive sentiments in social media Twitter with the result of vote earned by the couple of candidates for governor and vice governor of DKI Jakarta 2017 both on round 1 and 2 have the same order. "

"Ulasan hotel online berupa teks yang diunggah oleh wisatawan mengenai pengalaman yang mereka rasakan merupakan suatu hal yang dapat dimanfaatkan oleh industri perhotelan karena mereka bersentuhan langsung dengan wisatawan melalui fasilitas dan layanan yang mereka sediakan. Salah satu hal yang perlu diperhatikan dari industri perhotelan adalah kualitas layanan hotel itu sendiri. Masukan dari wisatawan melalui ulasan hotel tersebut dapat digunakan untuk meningkatkan kualitas layanan hotel. Dengan adanya peningkatan kualitas layanan hotel akan berdampak pada jumlah kunjungan wisatawan karena wisatawan saat ini membaca ulasan hotel sebelum akhirnya mereka memutuskan hotel yang akan mereka pilih. Hal ini sejalan dengan target pemerintah dalam meningkatkan jumlah kunjungan wisatawan melalui sepuluh destinasi wisata prioritas yang telah dicanangkan dalam rangka mengembangkan sektor pariwisata di Indonesia. Pada penelitian ini, teknik klasifikasi digunakan untuk mengklasifikasi ulasan berdasarkan dimensi HOLSERV Plus dan orientasi sentimennya. Dari hasil penelitian ini, algoritma Support Vector Machine memiliki nilai precision, accuracy, dan recall tertinggi dibandingkan NaA ve Bayes dan k-Nearest Neighbor. Secara keseluruhan, hampir semua dimensi memiliki sentimen yang positif. Dimensi Employee merupakan dimensi yang memiliki skor sentimen positif tertinggi pada delapan destinasi wisata prioritas. Sedangkan untuk keempat dimensi lainnnya memerlukan upaya perbaikan untuk meningkatkan kualitas pelayanan hotel.

---

Online hotel reviews in the form of text uploaded by tourists regarding the experience they feel is something that can be utilized by the hotel industry because they come in direct contact with tourists through the facilities and services they provide. One of the things that need to be considered from the hospitality industry is the quality of the hotel service itself. Input from tourists through hotel reviews can be used to improve the quality of hotel services. The increase in the quality of hotel services will have an impact on the number of tourist visits because tourists are currently reading hotel reviews before finally deciding which hotel they will choose. This is in line with the governments target in increasing the number of tourist visits through ten priority tourist destinations that have been announced in order to develop the tourism sector in Indonesia. In this study, classification techniques were used to classify reviews based on HOLSERV Plus dimensions and sentiment orientation. From the results of this study, the Support Vector Machine algorithm has the highest value of precision, accuracy, and recall compared to NaAve Bayes and k-Nearest Neighbor. Overall, almost all dimensions have positive sentiments. The Employee Dimension is the dimension that has the highest positive sentiment score in eight priority tourist destinations. Whereas for the other four dimensions, it requires improvement efforts to improve the quality of hotel services."

"Berdasarkan penelitian terdahulu, akurasi prediksi pergerakan harga saham rendah. Informasi dari media yang tidak akurat 100% dan pemanfaatan analisis teknis yang belum menghasilkan prediksi yang baik merupakan akar masalah pada penelitian ini. Hal ini penting, sebab bagi para spekulan pemanfaatan 2 hal tersebut berperan penting sebagai pertimbangan dalam melakukan transaksi saham. Maraknya berita mengenai resesi ekonomi, perang dagang, dan krisis ekonomi membuat sejumlah pelaku pasar berpotensi menarik diri dari pasar modal. Oleh sebab itu, penelitian ini bertujuan untuk menghitung seberapa besar akurasi hasil klasifikasi pergerakan harga saham menggunakan kombinasi analisis teknis dan analisis sentimen media online. Algoritma yang digunakan pada penelitian ini adalah Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naïve Bayes. Terdapat 2 tahapan klasifikasi pada penelitian ini. Tahapan pertama yakni melakukan klasifikasi sentimen dari media online untuk mendapatkan label sentimen. Tahapan kedua yakni melakukan klasifikasi pergerakan harga saham. Label sentimen hasil klasifikasi tahap pertama, dan analisis teknis berdasarkan pergerakan harga saham, menjadi atribut pada klasifikasi tahap kedua. Klasifikasi tahap kedua menghasilkan prediksi pergerakan harga saham berupa naik atau turunatau tetap Akurasi tertinggi yang dihasilkan dari kombinasi analisis teknis dan sentimen media online menghasilkan rata-rata akurasi sebesar 73,83% pada trading window 60 hari, dan 81,34% pada trading window 90 hari dengan menggunakan algoritma SVM.

---

Based on previous researches, the accuracy of predictions of stock price movements is low. Information from the media that is not 100% accurate and the use of technical analysis that has not produced good predictions is the root of the problem in this study. This is important, because for speculators the use of these 2 things plays an important role as a consideration in conducting stock transactions. The rise of news about the economic recession, trade war, and economic crisis has made a number of traders or investor potentially withdraw from the capital market. Therefore, this study aims to calculate how much the accuracy of the stock price movement classification results using a combination of technical analysis and online media sentiment analysis. The algorithms used in this study are Support Vector Machine (SVM), K-Nearest Neighbor (KNN), and Naïve Bayes. There are 2 stages carried out in this study. The first stage is to make sentiment classifications from online media to get sentiment labels. The second stage is to divide the stock price movements. The sentiment label from the first classification, and technical analysis based on stock price movements, are attributes based on the second classification. The second stage of classification is to get price quotes for "up" or down" or "constant". The highest accuracy resulting from a combination of technical analysis and online media sentiment resulted in an average accuracy of 73.83% on 60 days trading window, and 81.34% on 90 days trading window using SVM algorithm."

"Pandemi COVID-19 menjadi lebih besar dari krisis terakhir yang melanda dan menjadikan Indonesia sebagai negara dengan tingkat akumulasi kasus terkonfirmasi tertinggi di Asia Tenggara. Penelitian ini bertujuan untuk menganalisis dampak pandemi COVID-19 terhadap pasar saham Indonesia pada periode gelombang pertama dan kedua. Khususnya, penelitian ini menggunakan regresi data panel dalam mendefinisikan dinamika likuiditas dan volatilitas melalui indeks untuk memahami berbagai dimensi pandemi. Hasil penelitian menemukan hubungan antara pandemi dan index LQ 45 di Indonesia selama gelombang pertama dan kedua pandemi. Hasil analisis menunjukkan bahwa penerapan kebijakan pembatasan mobilitas terkait dengan peningkatan ilikuiditas dan volatilitas pasar. Secara paralel, peningkatan sentimen negatif dan penambahan jumlah kasus dan kematian menurunkan likuiditas serta meningkatkan volatilitas saham indeks LQ 45.

---

The COVID-19 pandemic has affected Indonesia more significantly than the last crisis. It hit and caused Indonesia to have the highest accumulation rate of confirmed cases in Southeast Asia. This study aims to analyze the impact of the COVID-19 pandemic on the Indonesian stock market during the first and second waves. We mainly used panel data regression on daily market returns and defined the liquidity and volatility dynamic through indexes to understand the various dimension of the pandemic. We found a relationship between pandemics and the Indonesian stock markLQ 45 Index during the first and second waves of the pandemic. Our results suggest that increasing mobility restriction implementation would increase market illiquidity and volatility. In parallel, the rise of negative sentiment and fatality rate caused by COVID-19 provides liquidity and stability failure. "

"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."