📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 32 dokumenIMPLEMENTASI INDOBERT UNTUK PREDIKSI SENTIMEN REAL-TIME PADA ISU PUBLIK DI TWITTER
Twitter merupakan salah satu platform media sosial yang banyak digunakan masyarakat untuk menyampaikan opini dan respons terhadap isu publik secara cepat, sehingga diperlukan metode yang mampu memantau kecenderungan sentimen masyarakat secara real time. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat pada platform Twitter menggunakan algoritma IndoBERT dengan tiga variasi aktivasi, yaitu No Activation, GELU, dan Tanh, guna memberikan gambaran kecenderungan isu publik terhadap suatu topik. Metode yang digunakan meliputi pengumpulan data tweet melalui proses crawling berdasarkan kata kunci tertentu, pelabelan data ke dalam kategori sentimen positif, netral, dan negatif, kemudian dilakukan fine-tuning model IndoBERT pada dataset berlabel. Model yang dihasilkan diimplementasikan ke dalam sistem berbasis antarmuka untuk memproses data Twitter dan menghasilkan prediksi sentimen secara langsung. Evaluasi dilakukan tidak hanya menggunakan hasil prediksi sentimen, tetapi juga dengan analisis perilaku keyakinan model melalui confidence score, logit margin, serta distribusi entropy untuk mengukur tingkat ketidakpastian prediksi. Hasil penelitian menunjukkan bahwa IndoBERT dengan tiga variasi aktivasi mampu digunakan untuk prediksi sentimen secara real time dan memberikan gambaran kecenderungan sentimen masyarakat terhadap topik yang dianalisis. Perbedaan aktivasi memengaruhi karakter prediksi, terutama pada kestabilan output dan tingkat ketidakpastian, di mana Tanh cenderung menghasilkan prediksi lebih stabil, GELU lebih kuat dalam membentuk keputusan tegas pada sampel yang jelas, dan No Activation lebih sering berada pada kondisi borderline pada teks ambigu. Dengan demikian, penelitian ini membuktikan bahwa IndoBERT dengan variasi aktivasi dapat digunakan sebagai solusi analisis sentimen real time untuk memantau opini publik pada isu tertentu di Twitter.
INTEGRASI BUDAYA PASCA-MERGER DAN PENGALAMAN PELANGGAN: ANALISIS NLP ATAS ULASAN BANDARA INDONESIA
Integrasi pasca-merger dalam industri kebandarudaraan tidak hanya mencakup harmonisasi operasional, tetapi juga penyelarasan budaya, yang secara signifikan dapat memengaruhi pengalaman pelanggan. Meskipun pentingnya umpan balik pelanggan dalam evaluasi layanan semakin meningkat, studi yang memanfaatkan ulasan digital berskala besar untuk mengeksplorasi hasil integrasi budaya masih terbatas. Penelitian ini menginvestigasi hubungan antara artefak budaya dan pengalaman pelanggan (Customer Experience/CX) dalam konteks merger bandara di Indonesia dengan menganalisis 1.290 ulasan Google Maps menggunakan pendekatan metode campuran. Teknik Natural Language Processing (NLP) digunakan untuk mengklasifikasi ulasan berdasarkan sentimen dan dimensi CX, dilanjutkan dengan analisis statistik inferensial termasuk ANOVA, chi-square, dan regresi logistik untuk mengidentifikasi pola signifikan. Hasil penelitian menunjukkan bahwa sentimen negatif kuat berkorelasi dengan artefak yang mencerminkan koordinasi tim yang buruk, terutama dalam dimensi CX seperti waktu tunggu dan arus penumpang. Sebaliknya, artefak simbolik yang berkaitan dengan citra nasionalisme dan branding menunjukkan keterkaitan dengan sentimen positif, khususnya dalam dimensi kualitas layanan dan loyalitas pelanggan. Analisis naratif terhadap ulasan pilihan memperkuat temuan ini dengan menampilkan pengalaman nyata pelanggan. Temuan ini menekankan pentingnya simbol budaya dalam membentuk persepsi publik pasca-merger dan menunjukkan potensi data digital sebagai alat diagnosis organisasi. Studi ini berkontribusi pada wacana teoritis tentang budaya organisasi dengan mengintegrasikan analisis artefak dan kerangka CX, serta memberikan implikasi praktis bagi manajemen bandara dalam memantau hasil integrasi melalui analitik suara pelanggan.
INTEGRASI ANALISIS SENTIMEN TERHADAP ASPEK FINANSIAL DAN PREDIKSI HARGA SAHAM BERBASIS TIME-SERIES UNTUK OPTIMASI PORTOFOLIO SAHAM
Optimasi portofolio saham dengan menggunakan metode diversifikasi tradisional memiliki keterbatasan sehingga portofolio yang dihasilkan tidak begitu maksimal. Keterbatasan ini disebabkan oleh diversifikasi yang hanya menggunakan data harga saham historis. Oleh karena itu, pada tugas akhir ini, dikembangkan pendekatan modular untuk mengatasi keterbatasan tersebut dengan memberikan harga saham hasil prediksi sebagai masukan metode diversifikasi. Pendekatan ini terdiri atas beberapa modul utama, yaitu modul analisis sentimen, modul prediksi harga saham, dan modul diversifikasi portofolio. Analisis sentimen dilakukan terhadap lima aspek finansial, yaitu growth, profit, debt, dividend, dan liquidity, digunakan untuk meningkatkan akurasi prediksi harga saham. Pada modul analisis sentimen, model terbaik yang dihasilkan adalah XLM-RoBERTa dengan rata-rata macro average F1-Score sebesar 0,7099 (70,99%). Pada modul prediksi harga saham, model terbaik yang dihasilkan adalah Bi-LSTM yang memanfaatkan fitur sentimen dengan MAPE sebesar 0,0126 (1,26%). Melalui konstruksi portofolio dengan metode mean-variance, potensi terbaik pendekatan yang diusulkan menghasilkan portofolio dengan rata-rata imbal hasil yang disetahunkan sebesar 61,20%, memanfaatkan label ground truth sebagai fitur sentimen prediksi harga saham. Hasil ini jauh mengungguli pendekatan tradisional (-34,64%) ataupun pendekatan yang hanya menggunakan prediksi harga saham tanpa sentimen (53,78%). Untuk alur solusi utama pendekatan yang diusulkan, yang memanfaatkan label hasil model analisis sentimen sebagai fitur sentimen prediksi harga saham, menghasilkan portofolio dengan rata-rata imbal hasil yang disetahunkan sebesar 47,75%, sedikit di bawah pendekatan yang menggunakan prediksi harga saham tanpa sentimen namun masih jauh lebih tinggi dibandingkan pendekatan tradisional.
PENGARUH TEKNIK AUGMENTASI DATA BACK-TRANSLATION TERHADAP KINERJA ANALISIS SENTIMEN DALAM BAHASA INDONESIA
Analisis Sentimen merupakan salah satu bidang pemrosesan bahasa alami (Natural Language Processing/NLP) yang bertujuan untuk mengklasifikasikan emosi atau opini yang terdapat pada suatu teks. Dalam melakukan pelatihan machine learning untuk sentimen analisis, permasalahan yang umum ditemukan adalah imbalanced dataset atau dataset dengan distribusi kelas tidak seimbang. Penelitian ini bertujuan untuk mengetahui dampak dari metode Back Translation (Terjemahan Bolak-Balik) terhadap kinerja machine learning dalam menyelesaikan permasalahan imbalanced dataset. Dataset yang digunakan berasal dari NusaX Analisis Sentimen yang terdiri atas 500 data pelatihan.Dataset ini berisi ulasan dari berbagai sumber yang telah diberikan label sentimen negatif, netral, dan positif. Dataset ini merupakan imbalanced dataset dengan distribusi kelas negatif dan positif merupakan kelas mayoritas, sedangkan kelas netral merupakan kelas minoritas. Model yang digunakan untuk mengevaluasi dampak Back Translation adalah Support Vector Machine (SVM) dan Naive Bayes. Hasil evaluasi menunjukkan bahwa model SVM dengan Back Translation bahasa Jawa memberikan peningkatan skor F1 macro terbaik yaitu 1.89% dan F1 weighted terbaik yaitu 1.52%. Hasil evaluasi juga menunjukkan bahwa tidak terdapat peningkatan skor secara signifikan pada model Naive Bayes yang menggunakan metode Back Translation. Hasil evaluasi ini menunjukkan bahwa metode Back Translation dapat mengatasi permasalahan imbalanced dataset dengan meningkatkan jumlah kelas minoritas. Hasil evaluasi ini juga menunjukkan bahwa metode Back Translation dapat meningkatkan kinerja machine learning pada model tertentu dalam melakukan analisis sentimen.
PENGEMBANGAN MODEL PENGUKURAN ECHO CHAMBER DENGAN ANALISIS SENTIMEN BERBASIS ASPEK BEBAS DOMAIN DAN KONSENSUS GROUP DECISION MAKING
Media sosial menjadi ruang penting bagi masyarakat Indonesia untuk berinteraksi dan membentuk opini, namun pola komunikasi di dalamnya kerap melahirkan echo chamber yang memperkuat polarisasi. Meskipun begitu, studi echo chamber di Indonesia masih terbatas pada analisis manual atau analisis jaringan tanpa mempertimbangkan sentimen konten. Penelitian ini mengembangkan model pengukuran echo chamber pada percakapan media sosial berbahasa Indonesia dengan Analisis Sentimen Berbasis Aspek (ASBA) bebas domain dan metrik konsensus dalam kerangka Group Decision Making (GDM). Rancangan mencakup lima tahap: praproses teks, ASBA bebas domain, pembentukan graf interaksi, deteksi komunitas, dan perhitungan konsensus GDM. Pada ASBA, berbagai pendekatan dievaluasi untuk menemukan model bebas domain terbaik. Hasil menunjukkan bahwa metode zero-shot LLM generatif dengan model Gemini-2.5-flash memberikan performa terbaik, dengan F1 makro 0,4178 pada dataset Pilkada DKI dan 0,4990 pada dataset Indo Vaccination, serta Penalized Brier Score lebih baik dibanding baseline. Pengujian model pengukuran echo chamber dilakukan pada tiga dataset percakapan X berbahasa Indonesia: Indo Vaccination, Budget Efficiency, dan Pilpres 2024. Hasil menunjukkan nilai Echo Chamber Ratio (ECR) yang konsisten dengan analisis pakar terdahulu mengenai echo chamber di Indonesia. Nilai ECR tersebut antara lain, 1,13 pada Indo Vaccination, 4,55 pada Budget Efficiency, dan 2,92 pada Pilpres 2024. Uji hipotesis dengan null atribut (pengacakan sentimen) dan null topologi (rewiring jaringan) memperkuat temuan ini. Nilai z-score antara 3,37–303,99 dan empirical p-value ? 0,01 menunjukkan hasil signifikan secara statistik dan jauh dari distribusi acak. Temuan ini menunjukkan bahwa pendekatan berbasis ASBA dan konsensus GDM dapat memberikan ukuran ringkas melalui nilai ECR yang bermakna dan konsisten dengan analisis pakar. Pendekatan ini juga memungkinkan analisis kualitatif terhadap konsensus hingga tingkat komunitas.
PENINGKATAN PENGALAMAN PELANGGAN MELALUI PERBANKAN DIGITAL: ANALISIS TEXT MINING TERHADAP KLASIFIKASI KUALITAS LAYANAN ELEKTRONIK BERDASARKAN ULASAN GOOGLE PLAYSTORE. STUDI KASUS PADA TIGA BANK DIGITAL-ONLY TERATAS DI INDONESIA
Ekspansi pesat sektor perbankan digital di Indonesia telah menciptakan persaingan ketat antarbank digital, menjadikan kualitas layanan sebagai faktor penentu keberhasilan dalam pasar. Penelitian ini menganalisis persepsi kualitas layanan pada tiga bank digital terdepan—SeaBank, Bank Jago, dan Bank Neo Commerce—melalui analisis ulasan pelanggan dari Google Play Store. Penelitian menggunakan kerangka E-S-QUAL yang diintegrasikan dengan metodologi text mining untuk mengklasifikasikan sentimen pelanggan dan mengidentifikasi dimensi kualitas layanan yang membutuhkan perbaikan strategi. Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan model fine-tuned IndoBERT untuk melakukan dua klasifikasi, yaitu analisis sentimen dan kategorisasi dimensi E-S-QUAL. Data penelitian mencakup 277.877 ulasan yang dikumpulkan selama periode Maret 2021 hingga Januari 2025. Model fine-tuned menunjukkan kinerja yang baik dengan akurasi keseluruhan sebesar 90,5%. Hasil penelitian menunjukkan SeaBank memimpin pasar dengan 68,6% sentimen positif, dengan dimensi efisiensi mencapai 89,4% sentimen positif sebagai keunggulan utama, namun menghadapi tantangan dalam aspek responsivitas layanan pelanggan. Bank Jago dan Bank Neo Commerce mengalami permasalahan signifikan pada dimensi reliabilitas dengan sentimen negatif reliabilitas masingmasing 88,4% dan 89,3%. Analisis BERTopic mengungkap permasalahan spesifik pelanggan dengan keluhan SeaBank terkonsentrasi pada layanan pelanggan (96,73%), kegagalan autentikasi pada Bank Jago (99,58% masalah login), dan kegagalan sistematis di 22 kategori masalah pada Bank Neo Commerce. Penelitian ini berkontribusi mengembangkan metode penilaian kualitas layanan berbasis ulasan pelanggan untuk industri perbankan digital. Temuan penelitian menawarkan strategi perbaikan spesifik, membantu bank digital meningkatkan kualitas layanan secara data-driven di pasar Indonesia yang kompetitif.
PEMBUATAN RATING PADA VIDEO GAME BERBASIS ANALISIS SENTIMEN PADA ULASAN PERMAINAN DI STEAM MENGGUNAKAN MODEL DEEP LEARNING
Steam merupakan salah satu platform distribusi permainan terbesar saat ini yan memiliki lebih dari 100.000 permainan yang dijual maupun diberikan secara gratis. Steam saat ini hanya memiliki sistem ulasan biner yang berpotensi belum memberikan kemudahan kepada pengguna dalam mengeksplorasi permainan dan membuat keputusan pembelian. Untuk mengatasi permasalahan tersebut, penelitian ini merancang dan mengimplementasikan sebuah sistem analisis sentimen berbasis aspek untuk menghasilkan rating per aspek (gameplay, story, visual, audio) secara otomatis dari ulasan pengguna. Hal ini dapat memudahkan pengguna dalam mengeksplorasi permainan, memberikan informasi yang lebih mendalam kepada pengembang permainan terkait umpan balik permainannya, dan mengoptimalkan sistem rekomendasi Steam. Metode yang digunakan terdiri dari dua model BERT yang terspesialisasi untuk tugas deteksi aspek dan klasifikasi sentimen aspek. Tantangan utama kelangkaan data latih berlabel diatasi dengan pendekatan supervisi lemah menggunakan kerangka kerja Snorkel untuk membuat data latih secara terprogram. Hasil evaluasi sistem menunjukkan performa yang baik. Model deteksi aspek berhasil mencapai f1-score hingga 0,829 sementara model klasifikasi sentimen mencapai f1-score hingga 0,735. Pembuatan rating dilakukan dengan menghitung rasio jumlah sentimen positif dengan jumlah total sentimen. Penelitian ini menyimpulkan bahwa kombinasi supervisi lemah dengan arsitektur pipeline berbasis BERT merupakan solusi yang efektif dan valid untuk mengekstraksi informasi dari data ulasan tekstual.
STUDI EVALUATIF STRATEGI ENCODING DAN DESAIN SIRKUIT KUANTUM UNTUK KLASIFIKASI SENTIMEN
Penerapan algoritma kuantum dalam pemrosesan bahasa alami menawarkan solusi potensial terhadap tantangan efisiensi dan representasi semantik dalam klasifikasi sentimen. Tugas akhir ini mengusulkan pendekatan hibrida klasikal-quantum untuk klasifikasi sentimen tingkat kalimat dengan mengeksplorasi berbagai kombinasi strategi encoding dan desain sirkuit kuantum variasional. Strategi encoding meliputi representasi kalimat (BoW, TF-IDF, Word2Vec, FastText, MiniLM, MPNet), reduksi dimensi (PCA, UMAP), serta metode penyandian fitur ke dalam sirkuit kuantum (angle encoding dan pauli encoding) dan jumlah qubit yang digunakan. Di sisi sirkuit, tiga jenis ansatz diuji, berupa real amplitude, cosine interference, dan strongly entangling layers (SEL). Eksperimen dilakukan menggunakan dataset ulasan Amazon, dengan metrik akurasi dan waktu pelatihan sebagai evaluasi utama. Hasil menunjukkan bahwa kombinasi representasi MPNet, reduksi dimensi PCA, angle encoding, dan cosine interference ansatz memberikan performa dengan trade-off terbaik dengan rata-rata akurasi pengujian sebesar 86,5% dan waktu pelatihan efisien 277 detik. Temuan ini mengindikasikan bahwa desain sirkuit yang efisien tidak selalu bergantung pada kompleksitas struktur ansatz, dan bahwa konfigurasi encoding yang tepat dapat secara signifikan meningkatkan performa klasifikasi. Penelitian ini menegaskan potensi pendekatan hibrida klasikal-quantum dalam NLP, serta membuka arah baru untuk pengembangan pipeline QNLP yang lebih efisien dan akurat.
PERANCANGAN MODEL ANALISIS SENTIMEN DAN TOPIK DATA ULASAN PRODUK ALAS KAKI ADORABLE PROJECTS MENGGUNAKAN TEXT MINING
Sebagai perusahaan yang bergerak di industri fashion, Adorable Projects perlu mengetahui preferensi pasar untuk pengembangan produknya. Jenis produk yang pertama ditawarkan dan menjadi produk unggulan hingga saat ini adalah produk alas kaki. Selama keberjalanannya, Adorable Projects bergantung pada ulasan konsumen untuk memperoleh insight mengenai kebutuhan konsumen. Ulasan konsumen mengenai produk alas kaki mereka membanjiri berbagai kanal, salah satunya adalah WhatsApp Customer Service perusahaan. Ulasan yang diterima melalui kanal tersebut dikumpulkan dalam satu dataset untuk dianalisis. Namun, sampai saat ini, analisis preferensi konsumen pada dataset tersebut belum dilaksanakan secara maksimal. Oleh karena itu, diperlukan alat bantu yang dapat membantu memetakan sentimen ulasan dan topik apa saja yang dibahas pada ulasan. Penelitian ini dilakukan untuk menjawab kebutuhan tersebut dengan membangun model text mining yang dapat menganalisis sentimen dan topik-topik pada produk alas kaki Adorable Projects. Metodologi yang digunakan pada penelitian ini adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan tahapan pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Dataset ulasan produk alas kaki yang dimiliki Adorable Projects diklasifikasikan menjadi tiga sentimen, yaitu negatif, netral, dan positif. Proses klasifikasi dilakukan dengan menggunakan dua model, yaitu machine learning dengan algoritma Support Vector Machine (SVM) dan deep learning dengan algoritma Bidirectional Long Short-Term Memory (Bi-LSTM). Kemudian, dipilih model yang menghasilkan performansi terbaik dari kedua model tersebut untuk diterapkan pada prototipe yang dirancang. Selain klasifikasi, penelitian ini melakukan analisis topik pada setiap sentimennya dengan menggunakan metode Latent Dirichlet Allocation (LDA). Model SVM yang telah melalui proses hyperparameter tuning menghasilkan performansi terbaik pada penelitian ini dengan akurasi sebesar 91%. Kemudian, pemodelan LDA menghasilkan 13 topik optimal untuk sentimen negatif, 9 topik optimal untuk sentimen netral, dan 3 topik optimal untuk sentimen positif. Prototipe dirancang dengan framework Streamlit dan telah memenuhi seluruh kebutuhan berdasarkan verifikasi. Hasil validasi prototipe menunjukkan bahwa sistem prototipe memiliki fungsionalitas yang baik untuk perusahaan.
ANALISIS SENTIMEN MEDIA SOSIAL TERHADAP WACANA PARIWISATA HALAL DI BALI
Pariwisata halal telah menjadi tren global yang mengalami pertumbuhan signifikan dalam satu dekade terakhir, dipicu oleh meningkatnya jumlah wisatawan Muslim dan perhatian industri pariwisata internasional terhadap kebutuhan pasar ini. Indonesia sebagai negara dengan mayoritas penduduk Muslim melihat peluang besar dalam mengembangkan destinasi wisata halal, termasuk Bali yang dikenal sebagai ikon pariwisata dunia. Namun, wacana pengembangan wisata halal di Bali memicu perdebatan publik, mengingat karakteristik sosial-budaya dan mayoritas penduduk yang non-Muslim. Sebagian pihak melihatnya sebagai peluang ekonomi dan diversifikasi pasar, sementara sebagian lainnya menganggapnya berpotensi mengubah citra budaya dan nilai-nilai lokal. Dalam konteks ini, media sosial menjadi ruang penting untuk mengamati persepsi publik secara langsung dan real- time. Penelitian ini bertujuan untuk mengidentifikasi dan menganalisis persepsi masyarakat terhadap wacana wisata halal di Bali melalui dua pendekatan utama, yaitu analisis sentimen dan topic modeling. Analisis sentimen digunakan untuk mengklasifikasikan opini publik ke dalam kategori positif, netral, atau negatif, sehingga dapat diketahui kecenderungan sikap publik. Sementara itu, topic modeling digunakan untuk menggali tema-tema utama yang muncul dalam diskusi warganet, sehingga memberikan pemahaman lebih mendalam mengenai isu-isu yang menjadi perhatian. Pendekatan ini dilakukan dengan memanfaatkan data besar (big data) yang dikumpulkan dari media sosial, sehingga mampu menangkap dinamika opini publik secara luas. Data penelitian dikumpulkan dari platform Twitter menggunakan kata kunci “wisata halal Bali”, “wisata syariah Bali”, dan “Muslim friendly Bali” dalam rentang waktu 1 Januari 2020 hingga 17 Juli 2025. Proses pengumpulan data menghasilkan 3.088 data yang relevan untuk dianalisis. Analisis sentimen dilakukan menggunakan model berbasis pembelajaran mendalam transformer IndoBERTweet, sementara topic modeling menggunakan Wordcloud dan BERTopic diterapkan untuk memetakan topik diskusi yang dominan. Hasil analisis sentimen menunjukkan distribusi opini publik yang didominasi oleh sentimen negatif sebanyak 72,77%, diikuti sentimen netral sebesar 22,71%, dan sentimen positif sebesar 4,54%. Dominasi sentimen negatif menunjukkan adanya resistensi publik terhadap wacana ini, yang banyak dikaitkan dengan kekhawatiran pergeseran identitas budaya, eksklusivitas destinasi, dan potensi konflik nilai. Sentimen positif umumnya menyoroti peluang ekonomi, peningkatan fasilitas ramah Muslim, dan potensi memperluas pasar pariwisata. Sementara itu, hasil topic modeling mengungkap bahwa perbincangan publik banyak terfokus pada isu budaya, keagamaan, kebijakan pemerintah, dan dampak ekonomi, dengan narasi yang saling berinteraksi dalam membentuk persepsi publik. Temuan ini memberikan implikasi penting bagi perumusan kebijakan pariwisata halal yang lebih sensitif terhadap konteks sosial-budaya lokal. Pemangku kepentingan perlu mempertimbangkan keseimbangan antara pengembangan pasar halal dengan pelestarian identitas budaya Bali. Secara akademis, penelitian ini berkontribusi pada pengembangan kajian pariwisata berbasis big data dan analisis wacana publik di media sosial, serta menunjukkan relevansi integrasi analisis sentimen dan topic modeling dalam memahami isu-isu pariwisata.
PREDIKSI HARGA CRYPTOCURRENCYMENGGUNAKAN BERBAGAI SUMBER DATA DAN ANALISA SENTIMEN
Cryptocurrency, khususnya Bitcoin (BTC) dan Ethereum (ETH), menunjukkan volatilitas harga yang tinggi, menyulitk:an prediksi dan berpotensi menyebabkan kerugian signifikan bagi investor. Penelitian ini bertujuan untuk mengembangkan model prediksi harga cryptocurrency yang akurat dengan mengintegrasikan beragam sumber data dan analisa sentimen. Pendekatan yang diusulkan menggabungkan data historis harga, indikator technical analysis (Stochastic Oscillator, Williams %R, dan Relative Strength lndex), serta analisa sentimen dari data tweet dan berita terkait cryptocurrency. Metodologi penelitian ini mengimplementasikan dan membandingkan dua model utama: CNN-LSTM dan GRU-LSTM. Eksperimen dilakukan dalam lima skenario berbeda untuk mengevaluasi pengaruh kombinasi sumber data: Skenario 1 (Analisa Sentimen Tweet dan Berita dengan Technical analysis), Skenario 2 (Analisa Sentimen Berita dengan Technical analysis), Skenario 3 (Analisa Sentimen Tweet dengan Technical analysis), Skenario 4 (Analisa Sentimen Tweet dan Berita), dan Skenario 5 (Technical analysis). Evaluasi model dilakukan menggunakan metrik standar yaitu Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa model yang mengintegrasikan dua sumber analisa sentimen dengan technical analysis memberikan performa prediksi terbaik untuk BTC dan ETH, dengan rata-rata MAPE sebesar 0.28% dan 0.31 %. Penambahan data sentimen secara signifikan meningkatkan akurasi prediksi dibandingkan model yang hanya mengandalkan technical analysis. Secara keseluruhan, kombinasi analisa sentimen dan technical secara konsisten memberikan hasil yang lebih baik dibandingkan dengan pendekatan yang hanya menggunakan salah satu jenis analisa. Penelitian ini memberikan kontribusi signifikan dalam pengembangan model prediksi harga cryptocurrency yang lebih akurat dengan memanfaatk:an berbagai sumber data.
IMPLEMENTASI ALGORITMA BERBASIS SEQUENTIAL DAN NON-SEQUENTIAL NEURAL NETWORK UNTUK ANALISIS SENTIMEN PADA KONFLIK RUSIA- UKRAINA
Dengan berlangsungnya konflik antara Rusia dan Ukraina, masyarakat memiliki beragam pendapat yang disampaikan dalam media sosial dengan jumlah yang banyak. Untuk mengetahui persebaran sentimen dari masyarakat terhadap konflik tersebut, maka dilakukan analisis sentimen. Namun, pelabelan dari setiap pendapat akan memakan waktu banyak, serta tidak diketahui model terbaik untuk melakukan analisis sentimen dalam konteks konflik ini. Oleh karena itu, akan digagas sebuah sistem analisis sentimen yang berisi 5 model yang akan dilatih sekaligus dibandingkan kinerjanya, yakni Random Forest, XGBoost, LSTM, GRU, dan RoBERTa. Data akan dilabel terlebih dahulu, lalu di-preprocess sebelum arsitektur dari setiap model akan dikonstruksi untuk proses latihan, yang meliputi hyperparameter tuning. Hasil evaluasi menunjukkan bahwa RoBERTa adalah model terbaik dengan pencapaian macro-average F1-score 0,726 di sentimen Rusia dan 0,730 di sentimen Ukraina, dengan selisih keunggulan 0,075 hingga 0,09 lebih tinggi jika dibandingkan dengan model terbaik kedua yakni XGBoost. Mengingat persebaran data yang imbalanced, RoBERTa adalah model yang bekerja dengan paling baik, sementara LSTM dan GRU kesulitan dalam menangkap pola sequence yang tepat.
ANALISIS SENTIMEN MASYARAKAT TERHADAP PEMBANGUNAN KERETA CEPAT WHOOSH JAKARTABANDUNG MENGGUNAKAN METODE NAIVE BAYES DAN K-NEAREST NEIGHBOR
Sosiofisika adalah cabang fisika yang menjelaskan fenomena sosial menggunakan konsep dan teori fisika. Sistem kompleks, dengan elemen yang saling terhubung dan pola hubungan rumit, dapat menjelaskan fenomena tersebut menggunakan analisis sentimen. Analisis ini mengangkat isu pro dan kontra pembangunan kereta cepat Whoosh Jakarta-Bandung yang memicu berbagai opini masyarakat terutama pada media sosial Twitter. Analisis dilakukan menggunakan metode Naïve Bayes dan K-Nearest Neighbor (KNN) untuk mengklasifikasikan sentimen menjadi positif, negatif, atau netral. Data dikumpulkan dari Twitter terbagi menjadi sebelum Whoosh beroperasi (periode I) dan setelah Whoosh beroperasi (periode II). Data melalui proses pembersihan, pelabelan, pembobotan, pelatihan, hingga pengujian. Metode diuji menggunakan Python, menghasilkan sentimen periode I cenderung negatif dengan akurasi metode Naïve bayes dan KNN berurut-urut 75% dan 71%, pada periode II sentimen cenderung positif dengan akurasi 71% dan 70%. Pada variasi nilai K, didapat nilai K yang paling cocok untuk data ini adalah 1 karena mampu memanfaatkan pola lokal yang khas pada tiap kelas sentimen. Kemudian variasi nilai rasio, 80:20 memberikan akurasi yang baik, menghindari overfitting dan kekurangan data latih.
APLIKASI SOSIOFISIKA PADA ANALISIS SENTIMEN DALAM MENGUKUR TINGKAT KEPUASAN PENGGUNA TERHADAP UI/UX MARKETPLACE MENGGUNAKAN MACHINE LEARNING
Fisika merupakan ilmu dasar yang mempelajari komponen fundamental alam semesta, termasuk fenomena sistem kompleks yang berinteraksi secara dinamis. Sosiofisika merupakan cabang ilmu fisika yang mengadopsi konsep fisika untuk menganalisis pola kolektif perilaku manusia. Dalam konteks marketplace, sifat non-linear interaksi pengguna menciptakan pola-pola unik yang memengaruhi pengalaman pengguna dan keputusan kolektif. Penelitian ini bertujuan untuk menganalisis sentimen pengguna terhadap UI/UX aplikasi Shopee dan Tokopedia. Analisis sentimen merupakan salah satu metode dalam memahami opini, perasaan, atau sikap masyarakat terhadap suatu topik tertentu. Dalam penelitian ini digunakan metode Naive Bayes, Support Vector Machine (SVM), dan Entropi Maksimum. Data ulasan diambil dari Google Play Store pada periode Januari hingga Desember 2024. Data diolah melalui tahap pelabelan dan pre-processing. Berdasarkan hasil evaluasi pada ulasan Shopee, model SVM menghasilkan akurasi sebesar 82,91%, Naive Bayes 79,52%, dan Entropi Maksimum 82,96%. Sementara itu, pada ulasan Tokopedia, model SVM memiliki akurasi 84,04%, Naive Bayes 83,58%, dan Entropi Maksimum 84,73%. Hasil evaluasi menunjukkan model Entropi Maksimum memiliki performa yang unggul dalam akurasi. Diperoleh tingkat kepuasan pengguna terhadap UI/UX aplikasi Shopee sebesar 50,17% sentimen negatif yang menunjukkan ketidakpuasan pengguna terhadap aspek UI/UX aplikasi. Sementara itu, pada aplikasi Tokopedia didapatkan nilai tingkat kepuasan pengguna untuk setiap sentimen cenderung seimbang, yang menunjukkan keberagaman pengalaman pengguna dalam menggunakan aplikasi Tokopedia.
USULAN STRATEGI PENCITRAAN MEREK UNTUK MENINGKATKAN CITRA MEREK MDI VENTURES BY TELKOM INDONESIA
Venture Capital (VC) dan Corporate Venture Capital (CVC) tidak hanya berperan sebagai sumber pendanaan perusahaan rintisan, tetapi juga perlu memiliki dampak strategis dalam ekosistem perusahaan rintisan. Khusus CVC, citra merek menjadi elemen penting dalam membedakan diri dari pesaing, membangun kepercayaan, menarik pemangku kepentingan, dan memperkuat reputasi. MDI Ventures, sebagai salah satu CVC di Indonesia ingin meningkatkan citra mereknya agar lebih dikenal dan dipercaya publik serta pemangku kepentingan. Namun, saat ini,citra mereknya belum optimal. Tingkat keterlibatan LinkedIn masih rendah pada periode Juli-Oktober 2024 (0,058%), meskipun tingkat keterlibatan Instagram-nya sangat tinggi (12,87%). Selain itu, masih ada kesenjangan dalam pemahaman publik terhadap peran dan aktivitas MDI Ventures. Penelitian ini bertujuan untuk menganalisis efektivitas strategi pencitraan merek MDI Ventures saat ini dan mengembangkan strategi pencitraan merek yang lebih optimal. Pendekatan yang digunakan adalah analisis deskriptif berbasis data primer dan sekunder. Data primer diperoleh dari survei terhadap dua kelompok responden, yaitu Masyarakat Umum dan Pemangku Kepentingan Eksternal. Kuesioner menggunakan skala Likert 1-5 untuk menilai relevansi indikator brand image MDI Ventures. Data tambahan seperti analisis sentimen, Share of Voice (SoV), serta laporan internal MDI Ventures juga digunakan untuk memperkuat temuan penelitian. Studi ini juga membandingkan hasil persepsi dari kedua kelompok responden untuk proses identifikasi perbedaan sudut pandang keduanya terhadap citra merek MDI Ventures. Hasil penelitian ini menunjukkan bahwa >90% responden mengetahui apa itu CVC dan MDI Ventures, namun banyak dari mereka, khususnya dari Masyarakat umum, tidak memahami peran dan aktivitas perusahaan ini. Frekuensi para responden dalam memperoleh informasi mengenai MDI Ventures sebagian besar kadang-kadang dan sering. Dari hasil kuesioner juga, ditemukan bahwa media sosial, situs web resmi perusahaan, media berita, kegiatan komunitas perusahaan rintisan dan VC, serta pemasaran dari mulut ke mulut menjadi lima kanal komunikasi yang sering digunakan atau ditemukan oleh para responden. Bagi responden, MDI Ventures sudah cukup jelas menyampaikan identitas dan aktivitasnya, tetapi masih terdapat ruang perbaikan agar informasi yang disampaikan lebih merata dan mudah diakses oleh berbagai kalangan pemangku kepentingan. Jika disimpulkan, upaya pencitraan merek MDI Ventures sudah cukup efektif, namun diperlukan adanya upaya komunikasi dan publisitas tambahan. Strategi komunikasi yang lebih inklusif perlu dikembangkan untuk menjangkau audiens yang lebih luas. Hasil dari analisis relevansi indikator menunjukkan bahwa seluruh indikator relevan dengan peningkatan citra merek MDI Ventures. Dari analisis sentimen, MDI Ventures menempati posisi kedua setelah East Ventures (dengan skor sentimen sebesar 19), sementara dalam SoV, MDI Ventures juga menempati peringkat kedua dengan persentase 36.2%. Untuk meningkatkan citra mereknya, MDI Ventures perlu mengoptimalkan kanal komunikasi utama dan mengimplementasikan strategi pencitraan merek yang terstruktur, mulai dari pemilihan topik dan penyusunan konten, publikasi media secara konsisten untuk meningkatkan tingkat keterlibatan sosial media dengan audiens, berpartisipasi aktif dalam kegiatan jaringan dan acara komunitas, serta mendorong para pemangku kepentingan untuk memberikan testimoni positif. Selain itu, optimalisasi SEO pada website resmi juga diperlukan sehingga MDI Ventures lebih mudah ditemukan dalam pencarian industri. Evaluasi dan pemantauan secara berkala juga sangat diperlukan untuk memastikan efektivitas strategi yang diterapkan. Dengan implementasi yang komprehensif, MDI Ventures dapat meningkatkan citra mereknya, memperbaiki persepsi publik, dan memperkuat posisinya sebagai CVC terpercaya di Indonesia.