📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 32 dokumenANALISIS DINAMIKA SENTIMEN TERHADAP PERGERAKAN HARGA SAHAM MAPB.JK MENGGUNAKAN GATED RECURRENT UNIT (GRU)
Penelitian ini mengkaji hubungan antara sentimen publik terhadap produk yang dikelola oleh PT MAP Boga Adiperkasa Tbk, seperti Starbucks, Krispy Kreme, Pizza Marzano, Godiva Chocolate, Paul Bakery, Cold Stone, Genki Sushi, dan Subway, dengan pergerakan harga saham perusahaan (MAPB.JK) menggunakan pendekatan ekonofisika dalam fisika sistem kompleks. Data sentimen diperoleh dari platform X (Twitter), sementara data harga saham diambil dari Yahoo Finance, mencakup periode 2 Januari 2023 hingga 30 September 2024. Sentimen dikategorikan sebagai positif, netral, atau negatif, sedangkan prediksi harga saham dilakukan menggunakan model Gated Recurrent Unit (GRU). Hasil penelitian menunjukkan sentimen netral mendominasi (4.814 tweet), diikuti oleh sentimen positif (626 tweet) dan negatif (286 tweet). Model GRU menunjukkan performa yang baik dengan nilai MSE sebesar 0,03, RMSE sebesar 0,06, MAE sebesar 0,04, SMAPE sebesar 19,59%, dan R² sebesar 0,89. Namun, koefisien korelasi Pearson sebesar -0,0629 menunjukkan hubungan yang sangat lemah antara sentimen publik dan harga saham. Hasil ini menyoroti bahwa pasar saham adalah sistem kompleks di mana harga saham dipengaruhi oleh berbagai faktor yang berinteraksi secara non-linear, dengan sentimen publik sebagai salah satu kontributor kecil. Penelitian lebih lanjut perlu memasukkan variabel tambahan untuk pemodelan yang lebih komprehensif.
PREDIKSI HARGA SAHAM INDEKS LQ45 SEKTOR PERBANKAN MENGGUNAKAN ANALISIS SENTIMEN DAN LSTM
Penelitian ini bertujuan untuk merancang dan menguji arsitektur sistem yang mengintegrasikan data berita daring dan data harga saham untuk memprediksi pergerakan harga saham di sektor perbankan di Indonesia, dengan fokus pada emiten yang terdaftar dalam indeks LQ45. Arsitektur sistem ini mengintegrasikan analisis sentimen otomatis dari berita daring berbahasa Indonesia dengan data harga saham. Analisis sentimen dilakukan menggunakan model IndoBERT-Lite-Large- P2 yang telah dilakukan fine-tuning, sedangkan prediksi harga saham dibangun menggunakan model Long Short-Term Memory (LSTM). Metode SHapley Additive exPlanations (SHAP) digunakan untuk menganalisis faktor-faktor yang memengaruhi prediksi harga saham. Evaluasi performa model dilakukan melalui 40 eksperimen yang mencakup prediksi harga saham untuk 1, 3, 7, dan 30 hari ke depan, dengan dan tanpa analisis sentimen, pada lima emiten perbankan LQ45. Hasilnya menunjukkan bahwa model LSTM dengan analisis sentimen memiliki performa yang lebih unggul, dengan tingkat evaluasi performa model mencapai 70% untuk Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), serta 60% untuk Mean Absolute Percentage Error (MAPE) dan akurasi. Model tanpa analisis sentimen hanya mencapai tingkat validasi 30% hingga 40%. Peningkatan performa terlihat pada hampir semua emiten, kecuali BBNI, dengan penurunan nilai MAE dan MAPE yang signifikan, peningkatan akurasi prediksi, nilai RMSE yang lebih rendah, serta konsistensi performa yang lebih baik pada periode prediksi yang lebih panjang (30 hari). Hasil eksperimen juga menunjukkan bahwa periode prediksi 30 hari memberikan hasil yang lebih stabil dan reliabel dibandingkan periode prediksi yang lebih pendek. Model dengan analisis sentimen mencapai akurasi tertinggi sebesar 99,59% pada prediksi harga saham Bank Rakyat Indonesia (BBRI) untuk 3 hari ke depan. Penelitian ini berkontribusi pada pengembangan metode prediktif harga saham yang lebih akurat dengan memanfaatkan kecerdasan buatan dan analisis sentimen untuk mengukur sentimen publik terhadap pasar saham.
PEMBUATAN DATASET QUESTION ANSWERING ULASAN PRODUK BAHASA INDONESIA
Dataset diperlukan pada sistem Question Answering (QA) untuk melatih serta menguji model yang digunakan. Sistem ini dapat diimplementasikan pada data ulasan produk. Ulasan terhadap suatu produk berpengaruh terhadap keputusan pembelian produk tersebut. Belum ada dataset QA mengenai ulasan produk berbahasa Indonesia, sehingga penelitian ini dilakukan untuk memenuhi keperuan dataset pada sistem QA untuk tugas tersebut. Data ulasan produk pada dataset ini diambil dari platform Sociolla dan Female Daily dengan pertanyaan dan jawaban yang dikumpulkan dengan crowdsourcing oleh 15 orang sehingga menghasilkan 3.000 data. Dataset yang dihasilkan diambil sebanyak sebanyak 2.400 sebagai data latih dan 600 lainnya sebagai data uji. Dataset ini kemudian dicoba digunakan pada beberapa model machine learning diantaranya adalah Regresi Logistik, Decision Tree, Support Vector Machine (SVM), Random Forest, dan Generative Pre-trained Transformer (GPT). Kemudian hasil prediksi dari model-model tersebut diuji dengan metrik evaluasi Exact Match (EM), skor F1, dan Bilingual Evaluation Understudy (BLEU) untuk melihat performanya. Setelah itu dataset dipersiapkan agar dapat digunakan dengan baik pada sistem QA dengan melakukan konstruksi dataset. Pada pengujian yang dilakukan, model GPT memberikan hasil terbaik dengan nilai EM, skor F1, dan BLEU sebesar 0,2667, 0,6694, dan 0,0014 pada data uji.
MULTILINGUAL MULTI-TASK LEARNING DENGAN METODE GRADIENT MANIPULATION UNTUK BAHASA-BAHASA LOKAL DI INDONESIA
Multi-task learning merupakan suatu teknik machine learning yang menggunakan satu model untuk mempelajari dan menyelesaikan lebih dari satu task, sehingga model dapat melakukan generalisasi lebih baik daripada model machine learning pada umumnya. Model multi-task learning dapat ditingkatkan performanya karena memiliki tantangan optimasi yang belum ditangani dengan baik, yaitu learning rate yang berbeda antar task, area datar pada optimization landscape, dan konflik yang terjadi antar 2 task akibat gradien yang berbeda. Penelitian dengan bahasa-bahasa lokal di Indonesia yang memiliki keterbatasan sumber daya mendorong penelitian multilingual learning untuk menggunakan dataset yang mengandung bahasa-bahasa lokal di Indonesia. Metode gradient manipulation merupakan proses mengubah nilai gradien dalam bentuk besaran maupun arah dari task yang berbeda selama proses pelatihan model. Penelitian ini mengevaluasi efektivitas metode gradient manipulation yang memiliki kemampuan untuk mengatasi konflik gradien antar task seperti metode PCGrad, GradVac, dan CAGrad dalam multi-task learning terhadap bahasa-bahasa lokal di Indonesia. PCGrad memproyeksikan arah gradien yang mengalami konflik menjadi bidang normal. GradVac memanfaatkan hubungan antar task untuk menetapkan objektif yang serupa. Metode CAGrad bekerja dengan mencari vektor gradien baru yang optimal dalam sebuah lingkaran lokal berdasarkan gradien rata-rata. Penelitian ini menggunakan dataset dari NusaX dan NusaCrowd yang mencakup tiga jenis task, yaitu analisis sentimen, klasifikasi emosi, dan pemodelan topik. Hasil eksperimen dari model dengan metode multi-task learning yang berbeda ketika diujikan pada bahasa Jawa, Madura, dan Sunda, serta pada bahasa-bahasa lokal di Indonesia lain yang belum pernah terlihat menunjukkan adanya peningkatan terhadap kualitas multilingual multi-task learning dengan metode gradient manipulation (PCGrad, GradVac, CAGrad) dibandingkan dengan metode multilingual multi-task naive dalam konteks penggunaan bahasa-bahasa lokal di Indonesia. Serta, metode gradient manipulation memiliki kemampuan generalisasi terhadap bahasa-bahasa lokal di Indonesia yang belum pernah di lihat.
PENGEMBANGAN DASHBOARD ANALISIS SENTIMEN UNTUK TOKOPEDIA DENGAN PENDEKATAN PEMBELAJARAN MESIN DAN INTELIJEN KOMPETITIF
Seiring dengan meningkatnya persaingan, e-commerce akan membutuhkan sebuah sistem untuk secara terus-menerus memantau dan mendapatkan umpan balik dari pasar untuk mendapatkan keunggulan kompetitif. Riset ini mengusulkan sebuah sistem competitive intelligence (CI) untuk memfasilitasi e-commerce dengan alat untuk memonitor para kompetitor mereka dan juga membantu dalam pengambilan keputusan yang berdasarkan data. Sistem CI yang dirancang terdiri atas model sentimen analisis untuk memproses ulasan pengguna dan sebuah dashboard untuk menampilkan wawasan dari data yang telah diproses. Sistem CI yang diusulkan memanfaatkan ulasan pengguna dari Google Play Store yang diambil dari aplikasi seluler setiap platform e-commerce utama di Indonesia. Dengan menggunakan pustaka Python untuk scraping data dari Google Play Store, data seperti ulasan pengguna, stempel waktu, dan nilai bintang dikumpulkan dari laman aplikasi Tokopedia, Shopee, Bukalapak, Lazada, dan Blibli. Setelah sebanyak 50.000 ulasan pengguna didapatkan dari setiap e-commerce, data tersebut disampel dan diproses untuk digunakan dalam pelatihan model sentimen analisis. Sistem CI ini menggabungkan kerangka kerja analisis sentimen berbasis pembelajaran mesin, yang memanfaatkan model pemrosesan bahasa alami (NLP) canggih seperti Bidirectional Encoder Representations from Transformers (BERT) untuk mengidentifikasi aspek (subjek atau fitur yang sedang didiskusikan) dalam ulasan-ulasan serta mengidentifikasi sentimennya. Pelatihan dari model BERT dioptimalkan menggunakan Optuna, sebuah perangkat lunak yang secara mengotomatiskan proses pencarian hyperparameter pelatihan terbaik untuk memastikan model yang terbaik diciptakan. Model sentimen analisis yang dibuat menunjukkan kinerja yang baik dalam tugas pengekstrakan aspek (ATE) serta pengklasifikasian polaritas aspek (APC). Model akhir yang dihasilkan mencapai skor F1 sebesar 85.04% untuk APC dan 69.55% untuk ATE. Hasil analisis sentimen dari ulasan pengguna digabungkan dengan dengan ulasan pengguna asli sebelum diberikan ke dashboard. Dashboard dirancang dengan menggunakan Power BI karena kemudahan penggunaan serta sifatnya yang modular. Wawasan yang ditemukan dari ulasan yang telah diproses seperti tren sentimen, rata-rata nilai bintang bulanan, dan aspek yang paling sering disebutkan disajikan melalui sebuah dashboard. Dashboard yang dibuat dapat menawarkan wawasan dari ulasan pengguna yang dikumpulkan serta berfungsi sebagai alat untuk memonitor kompetitor.
UTILIZING CONDITIONAL BOOTSTRAPPING AND DATA BALANCING WITH LSTM FOR PREDICTING CAR SALES THROUGH SENTIMENTAL REVIEW DATA
Penelitian ini menilai berbagai model klasifikasi yang ditujukan untuk memprediksi penjualan dalam sektor otomotif mobil, khususnya menganalisis merek seperti BMW, Lexus, Mazda, Mercedes-Benz, Toyota, dan Volkswagen. Dengan memeriksa matriks kebingungan, penelitian ini membandingkan kinerja model sebelumnya menggunakan Multiple Linear Regression (MLR) dan Convolutional Neural Network dengan Long Short-Term Memory (CNN-LSTM) dengan model yang diusulkan dalam penelitian ini menggunakan Conditional Bootstrapping dan Data Balancing dengan Long Short-Term Memory (LSTM). Conditional Bootstrapping sangat penting untuk mempertahankan karakteristik data yang melekat seperti tren dan musim, yang penting untuk menjaga integritas data deret waktu. Efek dari Conditional Bootstrapping dalam penelitian ini tidak hanya mempertahankan integritas data tetapi juga meningkatkan kinerja peramalan secara signifikan di semua metrik (akurasi, presisi, recall, skor F1). Di sisi lain, Data Balancing diimplementasikan untuk mengatasi ketidakseimbangan kelas, memastikan representasi yang sama dari setiap kategori tren dalam kumpulan data, yang meningkatkan akurasi prediktif di berbagai tren pasar (naik, datar, turun). Hasilnya, Conditional Bootstrapping dan Data Balancing dengan LSTM secara konsisten melampaui kedua model sebelumnya yang menggunakan MLR dan CNN-LSTM di beberapa metrik penting, termasuk akurasi, presisi, recall, dan skor F1. Namun, keterbatasan diidentifikasi dalam kinerjanya untuk tren naik, di mana kinerjanya lebih rendah dibandingkan dengan model sebelumnya, yang menunjukkan bahwa meskipun efektif untuk tren turun dan datar, Conditional Bootstrapping dan Data Balancing mungkin tidak dapat digeneralisasi dengan baik di seluruh kondisi pasar yang naik. Hasil ini menawarkan wawasan penting bagi produsen otomotif yang ingin meningkatkan kerangka kerja analitik prediktif mereka, yang menunjukkan keuntungan dari pendekatan pembelajaran mesin yang canggih dalam meningkatkan pengambilan keputusan strategis dan prediksi pasar.
APLIKASI SOSIOFISIKA UNTUK ANALISIS SENTIMEN FILM BIOSKOP MENGGUNAKAN METODE NAÏVE-BAYES DAN TEXTBLOB DENGAN PARTICLE SWARM OPTIMIZATION
Industri film memiliki perkembangan yang pesat dan risiko investasi pada industri ini besar pula. Prediksi perlu dilakukan untuk menentukan seberapa lama film tersebut ditayangkan dan seberapa banyak bioskop yang menayangkannya. Pada Tugas Akhir ini, dilakukan klasifikasi sentimen dan analisis polaritasnya jika dikaitkan dengan performa suatu film. Dalam melakukan klasifikasi, digunakan dua metode utama, yaitu Naïve-Bayes dan TextBlob. Selanjutnya, dilakukan pula klasfisikasi menggunakan metode Naïve-Bayes dengan optimasi Particle Swarm Optimization (PSO). Dari hasil penelitian ini, didapatkan bahwa metode Naïve- Bayes dengan optimasi PSO dapat meningkatkan akurasi klasifikasi sentimen ulasan film pada 4 pekan awal dengan rentang akurasi 80.70% hingga 84.99%. Prediksi performa film tidak dapat dilihat langsung pada skor sentimen ulasan film pada 4 pekan awal. Namun demikian, analisis menggunakan skor sentimen film pada 4 pekan awal dapat menggambarkan popularitas dan pandangan masyarakat terkait film dengan cukup baik.
USULAN PENGEMBANGAN MIE SEDAAP UNTUK MENINGKATKAN MARKET SHARE BERDASARKAN CUSTOMER LOYALTY FACTORS
PT Wings Group adalah perusahaan produk-produk rumah tangga di Indonesia. Salah satu produk yang memiliki kontribusi tinggi pada pemasukan perusahaan adalah Mie Sedaap. Saat ini, terjadi peningkatan permintaan mi instan yang signifikan di Indonesia. Namun, market share Mie Sedaap masih jauh di bawah kompetitor utamanya, yaitu Indomie. Oleh karena itu, PT Wings Group berupaya untuk meningkatkan market share tersebut. Penelitian ini dilakukan dengan pendekatan analisis sentimen untuk menyelesaikan masalah dengan menggunakan ulasan daring dan komentar pelanggan di media sosial yang berkaitan dengan customer disloyalty. Penggunaan ulasan daring dapat menghemat biaya dan waktu dibandingkan dengan kuesioner dalam memahami hubungan asimetris pemenuhan atribut kualitas produk dan kepuasan pelanggan. Data yang didapatkan sejumlah 445.623 data ulasan daring dari media sosial dan e-commerce. Kemudian, data tersebut dibersihkan melalui beberapa tahap dan didapatkan 52.818 data customer disloyalty. Data bersih diekstrak dengan latent Dirichlet allocation (LDA), lalu dilakukan analisis kualitatif oleh area sales manager menjadi dua belas customer satisfaction dimension (CSD). Dua belas CSD tersebut adalah variasi, rasa, tingkat pedas, promosi, tekstur, saus, ketersediaan, kemasan, porsi, after effect, topping, dan aroma. Kemudian, setiap CSD diklasifikasikan ke dalam three–factor theory dengan asymmetric impact-performance analysis (AIPA) berdasarkan dampak asimetris CSD. Dari perhitungan AIPA, diketahui bahwa CSD tingkat pedas termasuk excitement attribute, sedangkan CSD lainnya tergolong basic attribute. Prioritas perbaikan ditentukan berdasarkan klasifikasi Kano dan importance-performance competitor analysis (IPCA). Prioritas dipetakan berdasarkan kepuasan pelanggan dan performa Mie Sedaap relatif terhadap Indomie. Prioritas utama perbaikan kualitas produk Mie Sedaap adalah meningkatkan tingkat pedas, meningkatkan ketersediaan produk di berbagai wilayah, serta mengurangi efek samping seperti sakit perut, umami sensation, dan sensasi tidak enak pada kerongkongan. Ketiga CSD ini tergolong sebagai “urgent actions” berdasarkan perhitungan IPCA.
USULAN PENGEMBANGAN PRODUK TABIR SURYA PT KOSMETIK MENGGUNAKAN DAIPA DENGAN MEMANFAATKAN ULASAN DARING
PT Kosmetik adalah perusahaan FMCG Indonesia yang menawarkan berbagai produk kosmetik, termasuk perawatan kulit dan riasan. Salah satu produk populernya adalah tabir surya, yang meskipun terkenal, mendapat penilaian rata-rata lebih rendah dibandingkan produk sejenis lainnya di situs Female Daily. Hal ini menunjukkan perusahaan mungkin belum sepenuhnya memahami kepuasan pelanggan. Penelitian ini menggunakan dynamic asymmetric importance-performance analysis (DAIPA) untuk memahami bagaimana kepuasan pelanggan dapat berubah seiring waktu dan memberikan rekomendasi pengembanganberdasarkan dimensi kepuasan pelanggan atau customer satisfaction dimension (CSD). Perumusan DAIPA dimulai dengan pengumpulan teks ulasan daring di situs Female Daily dengan web scrapping untuk sepuluh produk tabir surya paling populer dan diperoleh sekitar 59 ribu ulasan daring. Selanjutnya, dilakukan tahap persiapan data dan ditentukan T periode waktu selama 5 tahun dari 2019 hingga 2023 dengan dua produk focal (focal 1 dan focal 2) dan dua produk kompetitor (K1 dan K2). CSD untuk produk tabir surya diidentifikasi melalui pemodelan topik latent Dirichlet allocation (LDA) dan diperoleh delapan CSD, yakni sifat berminyak (MI), tekstur (TE), efektivitas (EF), kemasan (KE), keterjangkauan harga (HA), efek jerawat (JE), residu pada kulit berupa whitecast (WH), dan efek seteleh pemakaian pada kulit (EF). Sentimen ulasan diidentifikasi menggunakan analisis sentimen berbasis aspek menggunakan model bidirectional encoder representations from transformers (BERT). Kemudian, efek pemenuhan CSD terhadap kepuasan pelanggan diukur dengan menggunakan artificial neural network (ANN), tepatnya Poisson deep neural network (PDNN). Dari plot DAIPA yang diperoleh, masing-masing CSD diinterpretasikan sesuai dengan kategori DAIPA, yakni high-performance excitement (HE), high-performance performance (HP), high- performance basic (HB), low-performance basic (LB), low-performance performance (LP), and low-performance excitement (LE). Rekomendasi pengembangan produk dirumuskan sesuai prioritas, dimulai dari prioritas pertama, yaitu CSD "AE", prioritas kedua oleh CSD "KE" dan "JE", prioritas ketiga oleh CSD "MI", prioritas keempat oleh CSD "WH", dan terakhir prioritas kelima oleh CSD "TE", "EF", dan "HA".
STRATEGI BERBASIS ANALISIS SENTIMEN UNTUK MENINGKATKAN REPUTASI GRAND PARADISE HOTEL
Secara umum dinamika suatu industri perhotelan dipengaruhi oleh beberapa faktor, baik secara internal maupun eksternal, dan hotel dituntut untuk memenuhi standar tertentu agar dapat beroperasi dengan baik. Faktor tersebut terdiri dari aspek ekonomi, teknologi, pengalaman dan preferensi konsumen, keberlanjutan, serta regulasi. Namun di antara semua itu, teknologi memiliki peran yang lebih penting karena industri secara keseluruhan kini berada pada periode 4.0. Agar lebih mampu memberikan pengalaman terbaik bagi pelanggan dan mempertahankan atau bahkan meningkatkan reputasi, hotel dapat mencoba memanfaatkan teknologi dengan membuat beberapa strategi mengenai bisnis operasional mereka berdasarkan suara pelanggan selain berspekulasi secara mandiri dari sumber informasi lain, sehingga tindakan yang diambil dapat lebih tepat. Salah satu cara untuk melakukannya adalah dengan analisis sentimen, yang penting bagi hotel karena suatu penelitian menunjukkan bahwa masyarakat selalu membaca ulasan sebuah hotel sebelum memutuskan untuk memesannya. Tesis ini khusus membahas tentang analisis sentimen terhadap Grand Paradise Hotel, di mana hotel tersebut memiliki arsitektur yang mewah, tetapi bintang sebenarnya hanyalah tiga, dan peringkatnya ternyata tidak terlalu tinggi di beberapa situs perjalanan dan ulasan ternama. Berdasarkan ulasan online pelanggan yang dimodelkan dengan Naive Bayesian Classifier berakurasi 80%, bintang tiga dan peringkat rendah pada Grand Paradise Hotel disebabkan oleh manajemen bisnis operasional yang kurang baik, di mana mencakup topik perwujudan, keandalan, daya tanggap, dan jaminan dalam layanan model berkualitas; dan faktor yang menjadi penyebabnya sebagian besar dianggap sebagai kelemahan hotel karena banyak pelanggan yang mengeluhkan hal tersebut. Strategi yang dapat dilakukan untuk mengatasi permasalahan tersebut sehingga hotel dapat memiliki reputasi yang lebih baik dan diharapkan menjadi berbintang empat adalah dengan melakukan pemeliharaan berkelanjutan, mengadakan program pengembangan karyawan, memaksimalkan sumber daya internal hotel, memperkuat kawasan sekitar, menciptakan nilai jual yang unik, dan bermitra dengan bisnis lokal lain di dekat lokasi hotel. Hasil penelitian tesis ini ditujukan utamanya kepada manajer Hotel Grand Paradise, di mana beliau perlu mengevaluasi dan menyesuaikan hasilnya dengan kondisi hotel terkini, lalu menugaskan departemen terkait untuk melaksanakannya secara bertahap dan berkesinambungan. pemantauan rutin untuk melacak kemajuan, serta memvalidasi hasil nyata mereka di akhir, apakah telah mencapai sesuai target atau tidak.
ANALISIS SENTIMEN KALIMAT KUTIPAN LANGSUNG DARI BERITA BERBAHASA INDONESIA MENGGUNAKAN PENDEKATAN GENERATIF
Analisis sentimen kalimat kutipan langsung bertujuan untuk mengekstraksi opini tokoh publik terhadap suatu hal dengan memanfaatkan kalimat kutipan langsung pada berita. Kalimat kutipan langsung merupakan ucapan langsung seseorang sehingga dapat digunakan sebagai opini langsung seseorang. Metode analisis sentimen pada umumnya tidak dapat diaplikasikan begitu saja pada kalimat kutipan langsung. Terdapat tiga tahapan dalam proses analisis sentimen pada kalimat kutipan langsung, yakni ekstraksi, atribusi, dan analisis polaritas. Ketiga tahap ini bertujuan untuk mengekstraksi kalimat kutipan, pembicara sumber kutipan, target pembicaraan kutipan, serta polaritas kutipan. Pada penelitian-penelitian sebelumnya, proses analisis sentimen kutipan langsung dilakukan dengan sebuah sistem regex dan NER. Akan tetapi, pendekatan ini tidak dapat berjalan dengan baik karena sistem tidak dapat memahami keseluruhan konteks berita. Untuk mengatasi hal ini, pendekatan generatif dapat digunakan untuk memproses keseluruhan konteks berita. Model yang digunakan akan menerima dokumen berita sebagai input dan menghasilkan kalimat-kalimat kutipan, pembicara sumber, target kutipan, dan polaritas kutipan sebagai output. Variasi pendekatan lain melibatkan penggunaan regex pada tahapan ekstraksi kalimat kutipan. Variasi ini dapat mengurangi resource yang digunakan model generatif. Proses konstruksi dataset melibatkan GPT-4 untuk meningkatkan kuantitas data sehingga didapatkan 1000 dokumen data latih. 50 Dokumen berita data uji akan dianotasi oleh seorang anotator. Model generatif akan dilatih pada data latih melalui proses finetuning lalu akan diuji data uji. Hasil eksperimen menunjukkan bahwa sistem dengan bantuan sistem regex memiliki kinerja terbaik. Sistem yang menggunakan model IndoT5-base-paraphrase dengan bantuan sistem regex berhasil mencapai skor F1 sebesar 0.99 untuk ekstraksi kutipan, 0.99 untuk ekstraksi pembicara sumber, 0.74 untuk target kutipan, dan 0.81 untuk analisis polaritas.
ANALISIS SENTIMEN BERBASIS ASPEK ESG PADA BERITA UNTUK PREDIKSI HARGA SAHAM DENGAN METODE TIME SERIES
Dalam dekade terakhir, aspek Environment, Social, and Governance (ESG) telah menjadi pusat perhatian dalam analisis investasi. ESG menyoroti pentingnya praktik berkelanjutan dan etis dalam memprediksi kinerja pasar. Tugas Akhir ini bertujuan untuk mengintegrasikan analisis sentimen ESG ke dalam model prediktif harga saham. Hal ini dapat memberikan wawasan baru bagi investor yang ingin mengintegrasikan sustainability ke dalam keputusan investasi mereka. Untuk mencapai tujuan ini, dibuat sebuah pendekatan multi-model dalam analisis sentimen dan prediksi harga saham. Pertama, model berbasis Bidirectional Encoder Representations from Transformers (BERT) digunakan untuk klasifikasi topik terkait ESG dari berita. Selanjutnya, Large Language Model (LLM) diterapkan untuk klasifikasi sentimen berdasarkan aspek ESG dari teks. Terakhir, Bidirectional Long Short-Term Memory (Bi-LSTM) diaplikasikan untuk memprediksi harga saham berdasarkan urutan waktu dari sentimen ESG yang dihasilkan. Pipeline ini berhasil unggul dari prediksi harga saham dengan menggunakan data historis harga saham saja. Pipeline menggunakan model terbaik berdasarkan hasil eksperimen. Klasifikasi ESG menggunakan post-trained IndoBERT mencapai f1- score sebesar 0.82. Klasifikasi sentimen menggunakan Merak mencapai f1-score 0.92. Prediksi harga saham menggunakan Bi-LSTM mencapai selisih RMSE 0.001 dibandingkan tanpa sentimen. Hal ini menunjukkan bahwa sentimen berita ESG berpengaruh pada harga saham dan sistem yang dibuat berhasil memanfaatkannya.
HYBRID SVM-RF UNTUK MENINGKATKAN KINERJA SELEKSI FITUR RFE PADA SISTEM SENTIMEN
Review produk dari pembeli lain di e-commerce dapat mencakup apakah produk tersebut cocok untuk kulit sensitif, ideal untuk tipe tubuh tertentu, dan masih banyak lagi. Jumlah review pada satu produk bisa saja mencapai ribuan review dengan isi review yang beragam. Hal tersebut tentu saja dapat berdampak buruk bagi penjual dan pembeli produk karena tidak tersedianya waktu yang cukup untuk membaca dan menganalisa seluruh review produk tersebut. Oleh karena itu, perlu dibangun suatu sistem yang dapat menganalisis tinjauan tersebut. Karena data ulasan bisa mencapai ribuan, memilih fitur optimal untuk kinerja terbaik saat melakukan analisis sentimen sangatlah penting. Data juga cenderung memiliki dimensi yang tinggi sehingga sulit untuk diproses dan mengakibatkan overfitting. Reduksi dimensi dapat dilakukan untuk mengatasi hal tersebut, salah satunya dengan menggunakan metode pemilihan fitur. Salah satu metode pemilihan fitur adalah Recursive Feature Selection (RFE). RFE akan menghilangkan fitur-fitur yang nilai kepentingan fiturnya lemah dimana perhitungan kepentingan fitur pada RFE bergantung pada estimator yang digunakan. Hal ini menyebabkan RFE pemilihan fitur ketika menggunakan satu estimator akan menghasilkan nilai yang berbeda ketika menggunakan estimator lainnya. Terkadang RFE menghilangkan fitur yang, dengan estimator berbeda, memiliki nilai kepentingan fitur yang baik karena menggunakan estimator yang menghasilkan nilai kepentingan fitur yang tidak optimal. Penelitian ini mengusulkan untuk menerapkan metode hybrid RFE, dimana estimator akan digabungkan untuk menghasilkan gabungan kepentingan fitur, yang kemudian akan diproses oleh RFE untuk meningkatkan kinerja RFE ketika menghilangkan fitur-fitur lemah dan meningkatkan kinerja sistem analisis sentimen. Penelitian ini mengusulkan untuk menggabungkan estimator Support Vector Machine (SVM) dan Random Forest (RF). Penggunaan metode gabungan SVMRF-RFE yang diusulkan secara umum dapat meningkatkan hasil kinerja pada analisis sentimen dibandingkan dengan metode dasar lainnya.
APLIKASI SOSIOFISIKA UNTUK ANALISIS SENTIMEN FEMALE DAILY MENGENAI PRODUK KECANTIKAN BERBAHAN MINYAK POHON TEH MENGGUNAKAN MACHINE LEARNING
Ilmu sosiofisika memodelkan fenomena sosial, seperti dinamika opini, dengan menggunakan pendekatan berbasis data. Female Daily merupakan salah satu media sosial yang dapat digunakan untuk berbagi opini dan pengalaman terkait produk kecantikan. Pada forum diskusi yang disediakan Female Daily, topik jerawat menempati posisi kedua terpopuler. Minyak pohon teh telah terbukti memiliki beragam aktivitas antimikroba untuk mengatasi jerawat. Pada penelitian ini, dilakukan analisis sentimen Female Daily terkait produk kecantikan berbahan minyak pohon teh dengan menggunakan metode Entropi Maksimum (EM), Random Forest (RF), dan K-Neirest Neighbors (KNN). Analisis dilakukan mulai dari pengumpulan data, praproses data, TF-IDF, hingga klasifikasi data yang dilakukan dalam dua tahap. Tahap pertama menggunakan akumulasi dari 10 set data dengan memvariasikan jumlah data latih. Metode EM secara konsisten memiliki nilai akurasi tertinggi dibandingkan dengan kedua model lainnya. Nilai akurasi tertinggi EM adalah 0,7443, RF bernilai 0,716, dan KNN bernilai 0,69. Lalu, tahap kedua dilakukan pada masing-masing set data dengan menerapkan variasi data latih 80% yang ditetapkan berdasarkan pertimbangan nilai akurasi, nilai presisi, dan kemungkinan overfitting. Didapatkan hasil bahwa akurasi dari metode EM dan RF menempati nilai yang sama pada beberapa set data. Akurasi tertinggi dari kedua model tersebut ada pada produk Tea Tree 3-in-1 Wash Scrub Mask, yaitu 0,75. Sedangkan akurasi KNN seluruhnya berada dibawah nilai 0.7, dengan puncak tertingginya berada pada produk Tea Tree Skin Clearing Body Wash dan Tea Tree Flawless BB Cream. Selain itu, jumlah sentimen positif yang lebih dari tiga kali lipat sentimen negatif, menunjukkan bahwa produk kecantikan berbahan minyak pohon teh dapat diterima dengan baik oleh masyarakat.
APLIKASI SOSIOFISIKA UNTUK ANALISIS SENTIMEN TERHADAP PENGGUNAAN QRIS SEBAGAI ALAT PEMBAYARAN DIGITAL MENGGUNAKAN METODE NAÏVE-BAYES DAN ENTROPI MAKSIMUM
Sosiofisika merupakan lintas disiplin ilmu yang menggunakan metode fisika untuk memahami perilaku manusia. Sosiofisika dapat digunakan untuk melakukan analisis sentimen terhadap fenomena sosial dengan media sosial sebagai datanya. Analisis sentimen merupakan sebuah proses mengolah data berupa teks guna mengambil informasi sentimen yang terdapat di dalamnya. Pada penelitian ini, analisis sentimen dilakukan dengan proses klasifikasi menggunakan dua algoritma machine learning, yaitu Naïve-Bayes dan Entropi Maksimum. Penelitian dilakukan untuk menghasilkan representasi data sentimen Twitter (X) terkait penggunaan QRIS sebagai alat pembayaran digital sebelum (periode I) dan setelah (periode II) adanya pengenaan tarif MDR 0,3% untuk pengusaha mikro, serta membandingkan akurasi dari kedua metode tersebut. Proses analisis dilakukan dengan pengambilan data, pemrosesan data, pelabelan, pembobotan, dan klasifikasi sentimen. Berdasarkan hasil klasifikasi, diperoleh bahwa transaksi QRIS cenderung memiliki sentimen negatif untuk kedua periode. Sementara itu, berdasarkan hasil evaluasi model, Entropi maksimum memiliki nilai akurasi yang lebih tinggi sebesar 81,82% pada periode I dan 71,96% pada periode II, sedangkan Naïve-Bayes memiliki akurasi 74,13% untuk periode I dan 69,16% untuk periode II. Kemudian, dengan variasi jumlah data latih diperoleh bahwa adanya peningkatan yang tidak cukup signifikan dan cenderung konstan pada nilai akurasi saat jumlah data latih ditambahkan.