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%.]"

"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."

"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."

"Pada masa pandemi, ruang publik perkotaan harus ditempuh dengan waspada. Pergeseran persepsi masyarakat terhadap kota pun terjadi, umumnya mereka menganggap keramaian kota sebagai ruang yang sebisa mungkin harus dihindari karena potensi penularan Covid-19 lebih besar dengan ramainya penduduk kota. Keadaan seperti ini terjadi hampir di seluruh kota di dunia, termasuk di DKI Jakarta. Masyarakat Indonesia dengan sebagian besarnya pengguna media sosial membagikan informasi dan pengalaman yang mereka rasakan terkait situasi dan kondisi Jakarta di media sosial, terutama secara tekstual di akun Twitter mereka. Penelitian ini akan mengeksplorasi secara kualitatif melalui analisis konten media sosial, analisis sentimen dan narasi serta persepsi yang terbentuk pada masyarakat terkait citra. Melalui analisis konten media sosial untuk melihat persepsi yang diutarakan secara tekstual oleh masyarakat Jakarta selama pandemi Covid-19 dan untuk mengetahui bagaimana persepsi tersebut membentuk citra kota Jakarta. Persepsi warga ini membentuk citra yang negatif pada elemen distrik yang menjadi kategori dominan pada kumpulan twit warga yang diteliti. Citra yang dihasilkan dari fungsi perkotaan pun menjadi sorotan, kelima dimensi fungsi kota yaitu vitalitas, kecocokan, sense, akses, dan kontrol semuanya memiliki karakteristik negatif. Sehingga pembicaraan serta persepsi mengenai kota Jakarta di media sosial Twitter pada masa krisis pandemi menghasilkan citra yang negatif. Utamanya pada fungsi vitalitas, yakni pemenuhan kebutuhan biologis manusia.

---

During a pandemic, urban public spaces must be taken with caution. There has also been a shift in people's perceptions of the city, generally they consider the city crowd as a space that should be avoided as much as possible because the potential for Covid-19 transmission is greater with the hectic population of the city. This situation occurs in almost all cities in the world, including DKI Jakarta. Indonesian people with the majority of social media users share information and experiences they feel related to the situation and conditions in Jakarta on social media, especially textually on their Twitter accounts. This research will explore qualitatively through analysis of social media content, analysis of sentiment and narratives as well as perceptions formed in society regarding image. Through analysis of social media content to see the perceptions expressed textually by the people of Jakarta during the Covid-19 pandemic and to find out how these perceptions shape the image of the city of Jakarta. This citizen perception forms a negative image of the district element which is the dominant category in the collection of tweets of the residents studied. The image generated from urban functions is also in the spotlight, the five dimensions of city function, namely vitality, fit, sense, access, and control all have negative characteristics. So that discussions and perceptions about the city of Jakarta on Twitter social media during the pandemic crisis produce a negative image. Mainly on the function of vitality, namely the fulfillment of human biological needs."

"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."

"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."