Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia merupakan salah satu negara terbesar didunia dan rawan terhadap bencana alam. Dalam penanggulangan bencana alam dibutuhkan informasi mengenai jenis bencana alam, tingkat bahaya, dan lokasi terjadinya bencana alam agar dapat ditanggulangi dengan cepat. Sosial media merupakan salah satu sumber informasi kejadian bencana alam yang dapat membantu masyarakat untuk bertindak, karena dianggap informasi yang realtime dan banyak. Walaupun terdapat beberapa sistem pemantauan bencana alam, namun informasi yang diterima oleh pengguna atau masyarakat masih tidak lengkap / kurang lengkap, contohnya pada sistem yang dikembangkan oleh BNPB, Petabencana.id dan GDASC. Sistem tersebut belum menampilkan keseluruhan tipe bencana alam dan tingkat lokasi yang lebih detail. Penelitian ini berfokus memanfaatkan data media sosial Twitter untuk digunakan dalam mendeteksi bencana alam di Indonesia dengan realtime dan lebih detail. Jenis analisa yang digunakan pada penelitian ini adalah klasikasi yang mengategorikan ke dalam relevan/tidak relevan, jenis bencana alam, dan tingkat bahaya bencana alam. Algoritma klasifikasi yang digunakan pada penelitian ini adalah Naïve Bayes, Decision Tree, Support Vector Machiness (SVM). Metode ekstraksi fitur digunakan pada penelitian ini dengan memanfaatkan fitur Bag Of Words (BOW) dan Term Frequency - Inverse Document Frequency (TF-IDF). Teknik ekstraksi informasi lokasi yang digunakan pada penelitian ini adalah metode Named Entity Recognition (NER) pada sebuah data teks. Selanjutnya lokasi akan dikonversi menggunakan metode geocoding ke dalam koordinat latitude dan longitude untuk pembuatan peta spasial. Sehingga didapatkan sistem yang mampu mendeteksi bencana alam di Indonesia secara realtime dan detail

---

Indonesia is one of the largest countries in the world and is prone to natural disasters. In dealing with natural disasters, information is needed on the types of natural disasters, the level of danger, and the location of the natural disasters so that they can be handled quickly. Social media is a source of information on natural disasters that can help people to act, because it is considered real-time and a lot of information. Although there are several natural disaster monitoring sistems, the information received by users or the community is still incomplete / incomplete, for example in the sistems developed by BNPB, Petabencana.id and GDASC. The sistem does not yet display all types of natural disasters and at a more detailed location level. This research focuses on utilizing Twitter social media data to be used in realtime and more detailed detection of natural disasters in Indonesia. The type of analysis used in this study is a classification categorizing it into relevant / irrelevant, types of natural disasters, and level of natural disaster hazards. The classification algorithm used in this study is Naïve Bayes, Decision Tree, Support Vector Machiness (SVM). The feature extraction method is used in this study by utilizing the Bag Of Words (BOW) and Term Frequency - Inverse Document Frequency (TF-IDF) features. The location information extraction technique used in this study is the Named Entity Recognition (NER) method on a text data. Furthermore, the location will be converted using the geocoding method into latitude and longitude coordinates for making spatial maps. So that we get a system that is able to detect natural disasters in Indonesia in real time and in detail"

"Kejadian banjir ekstrem diperkirakan semakin sering terjadi seiring dengan perubahan iklim yang belum menunjukkan tanda-tanda perbaikan. Hal ini berpotensi menyebabkan curah hujan yang lebih tinggi dari rata-rata dan laju kenaikan genangan banjir yang lebih cepat dari biasanya. Ketidaktahuan bahwa suatu daerah tergenang banjir juga bisa mengakibatkan kendaraan terjebak di daerah banjir, kemacetan lalu lintas, serta terlambatnya evakuasi warga terutama yang tinggal di daerah rawan banjir. Penelitian ini bertujuan memberikan alternatif sumber informasi mengenai ketinggian genangan banjir dengan memanfaatkan data teks dari tweet pada media sosial Twitter. Salah satu tantangannya yaitu bahwa ketinggian genangan tidak selalu disebutkan dalam standar satuan internasional seperti centimeter atau meter sehingga machine learning digunakan untuk mengatasinya. Penyebutan ketinggian genangan didapati bisa menggunakan referensi bagian tubuh seperti lutut dan pinggang, serta juga bagian kendaraan atau kondisi jalan. Model yang diusulkan memberikan dua keluaran, yaitu kategori relevansi tweet terhadap informasi ketinggian banjir (Relevan atau Tidak Relevan) dan kategori ketinggian banjir (Tinggi, Sedang, Rendah, dan Tidak Diketahui). Algoritma klasifikasi yang digunakan yaitu SVM (Linear SVC dan RBF), Logistic Regression, Random Forest, Decision Tree, dan Naïve Bayes. Hasil uji coba menunjukkan bahwa nilai akurasi tertinggi untuk klasifikasi relevansi tweet adalah 91% dan F1-score tertinggi sebesar 82% diperoleh dengan menggunakan algoritma SVM Linear SVC. Sedangkan hasil klasifikasi ketinggian genangan terbaik diperoleh saat menggunakan SVM Linear SVC dengan akurasi 83% dan rata-rata F1-score 70%.

---

Extreme flood events are expected to occur more frequently as climate change has yet to show signs of improvement. This has the potential to lead to higher rainfall and floods that come more quickly. This has the potential for vehicle trapping, traffic jams, or delay in evacuation for people who live in areas which are prone to flooding. Hence, this study aims to provide an alternative source of information in flood conditions by using data in social media Twitter. One of the challenges was information about inundation level is not always in international standard unit like centimeter or meter so that machine learning was used to cope with this problem. Mention of inundation level was found to be done by also referring to certain body parts like knee and waist, and also parts of vehicles or road condition. The proposed model is expected to provide two outputs, which are relevance category of tweet (Relevant or Irrelevant) and inundation level category (High, Medium, Low, Unknown). Some classifier algorithms were used, like SVM (Linear SVC and RBF), Logistic Regression, Random Forest, Decision Tree, and Naïve Bayes. The test results showed that the best relevance classification resulted in 91% accuracy (SVM Linear SVC) and 82% average F1-score by using SVM Linear SVC. On the other side, the best result of classification of inundation level was obtained when using SVM Linear SVC which resulted in 83% accuracy and 70% average F1- score."

"Penelitian mengenai variasi bahasa merupakan pembahasan dalam penelitian sosiolinguistik. Variasi bahasa dapat dipengaruhi oleh faktor sosial seperti gender. Berbagai penelitian mengenai variasi bahasa berdasarkan gender menunjukkan bahwa terdapat perbedaan bahasa yang digunakan oleh laki-laki dan perempuan. Akan tetapi, hal tersebut dapat berubah seiring dengan munculnya pengaruh media sosial baik pada penggunaan bahasa oleh laki-laki maupun perempuan. Berdasarkan hal tersebut, penelitian ini mengungkapkan bagaimana karakteristik bahasa di media sosial dan penggunaannya berdasarkan gender. Tujuan penelitian ini untuk mendeskripsikan karakteristik variasi bahasa Indonesia di media sosial dan penggunaannya berdasarkan gender. Penelitian mengenai variasi bahasa Indonesia di media sosial berdasarkan gender merupakan penelitian kualitatif dan kuantitatif (campuran). Untuk meneliti variasi bahasa Indonesia di media sosial, sumber data yang digunakan adalah twit yang dikumpulkan dari media sosial Twitter. Hasil penelitian ini memperlihatkan bahwa karakteristik variasi bahasa di media sosial Twitter dapat dibagi menjadi fitur kebahasaan yang termasuk ke dalam variasi bahasa dan karakteristik bahasa perempuan. Fitur kebahasaan yang paling banyak ditemukan dalam penelitian ini adalah zeroisasi, abreviasi, perubahan grafi, emotikon dan emoji, pronomina, campur kode, dan istilah kekerabatan. Selain itu, penelitian ini menunjukkan adanya perubahan penggunaan bahasa oleh perempuan. Perubahan tersebut menunjukkan bahwa perempuan cenderung menggunakan bahasa non-standar dan kata-kata tabu atau makian di media sosial.

---

Research on language variation falls under the category of sociolinguistic. Language variation can be influenced by social factor such as gender. Various studies on language variations based on gender show that there are differences in the language used by men and women. However, this can change with the emergence of social media’s influence on the use of language by both men and women. Therefore, this study reveals the characteristics of language variation on social media and their usage based on gender. The purpose of this study is to describe the characteristics of Indonesian language in social media and their usage based on gender. The study on the variation of Indonesian language on social media based on gender is done through qualitative and quantitative methods (mixed methods). To analyse this research, the data source being used are tweets collected from Twitter. The findings suggest that the characteristics of language variation on Twitter can be divided into language features which include language variation and characteristics of women’s language. The language features that are most commonly found on this study are zeroization, abbreviation, graph changes, emoticons and emojis, pronouns, mixing code, and kinship terms. Furthermore, this study shows changes in women’s language. These changes indicate that women tend to use non-standard language and taboo or swear words on social media."

"Penelitian ini dibuat dengan tujuan untuk menguak apa saja motivasi di balik keraguan vaksinasi. Respon tersebut merupakan respon maladaptif yang dapat dipelajari juga berdasarkan Protection Motivation Theory (PMT). Selain itu, penelitian ini juga dibuat untuk menghasilkan rekomendasi terhadap tindakan intervensi yang dapat dilakukan pemerintah dan regulator kesehatan lainnya. Penelitian ini dilakukan terhadap media sosial Twitter Indonesia. Sebagai bagian dari penelitian ini, sebuah Sistematic Literature Review (SLR) telah dilakukan terhadap enam basis data yang dipercaya. Dari 20 studi sebelumnya yang dihasilkan, dilakukan sintesis terhadap topik dan metode yang digunakan, serta topik yang ditemukan dari penelitian terdahulu untuk dimanfaatkan di dalam penelitian. Data Twitter dikumpulkan dengan menggunakan SNScrape dengan kata kunci "vaksinasi atau vaksin" pada periode 11 November 2020, 1 bulan sebelum masuknya vaksin ke Indonesia, hingga 30 April 2022. Hasil analisis sentimen menunjukkan hasil yang sesuai dengan penelitian sebelumnya, dimana pembicaraan tentang vaksinasi selalu dibayang-banyangi oleh keraguan vaksinasi dengan porsi yang sedikit di bawah data dengan sentimen positif. Motivasi yang ditemukan dari penggalian topik telah dipetakan terhadap kategori penyebab keraguan vaksinasi pada level individu, micro-social, intermediate-social, dan macro-social. Dari keempat kategori tersebut, topik tentang macro- social terkait kehalalan vaksin dari segi agama tidak ditemukan pada penelitian sebelumnya. Berbagai rekomendasi telah disusun berdasarkan hasil penggalian topik. Rekomendasi tersebut ada yang berada pada tingkatan strategis dan praktikal dari sisi Teknologi Informasi. Adanya portal informasi yang lengkap dan terintegrasi, serta penyebaran vaksin dengan membuat model prediksi kebutuhan vaksin akan menunjang peningkatan respons adaptif terhadap anjuran vaksinasi.

---

This study was made with the aim of uncovering what are the motivations behind vaccination doubts. This maladaptive response was studied based on the Protection Motivation Theory (PMT). In addition, this research is also made to produce recommendations on intervention actions that can be carried out by the government and other health regulators. This research was conducted on Indonesian Twitter. As part of this research, a Systematic Literature Review (SLR) was conducted on six trusted databases. From the 20 previous studies produced, a synthesis was carried out on the topics and methods used, as well as topics founded from previous studies to be used in research. Twitter data was collected using SNScrape with the keyword "vaccination or vaccine" within 11 November 2020, 1 month before the entry of vaccines into Indonesia, until 30 April 2022. The results of the sentiment analysis show results that are in accordance with previous research, where talk about vaccination is always shadowed by vaccine hesitancy, which was slightly below the numbers of positive sentiment data. The motivations found from the topic exploration have been mapped into individual, microsocial, intermediate-social, and macro-social levels. Of the four categories, the topic of macro-social related to the halalness of vaccines in terms of religion was not found in previous studies. Some practical recommendation had been proposed, included strategic and practical recommendation. Utilizing both integrated more complete information portal and a prediction- based distribution model would bring up the adaptive response toward vaccination."

"Pandemi COVID-19 membuat banyak negara menyatakan wabah itu sebagai darurat nasional, termasuk Indonesia. Oleh karena itu, pemerintah negara Indonesia menerapkan PPKM hingga penularan COVID-19 mereda. Hal ini berlaku bagi semua tempat di Indonesia, termasuk perpustakaan. Banyak perpustakaan yang tutup sementara, namun tetap menjalankan segala kegiatannya secara online, salah satunya Perpustakaan Universitas Indonesia. Dalam penelitian ini, dibahas mengenai pemanfaatan media sosial Twitter di Perpustakaan Universitas Indonesia saat pandemi COVID-19. Tujuan dari penelitian ini untuk mendeskripsikan pemanfaatan Twitter sebagai media promosi perpustakaan di Perpustakaan Universitas Indonesia, serta mengidentifikasi kendala dan cara penyelesaian saat melakukan promosi perpustakaan menggunakan Twitter di masa pandemi COVID-19. Jenis penelitian yang digunakan adalah penelitian kualitatif dengan teknik pengumpulan data berupa wawancara dan observasi. Hasil penelitian menunjukkan pemanfaatan Twitter terhadap kegiatan promosi perpustakaan di Perpustakaan Universitas Indonesia saat Pandemi COVID-19 masih belum dimanfaatkan secara maksimal. Hal ini dapat diketahui dari hasil analisis peneliti bahwa promosi perpustakaan lebih banyak dilakukan di media sosial lain daripada Twitter karena banyak kendala jika harus mempromosikan melalui Twitter. Meskipun dengan adanya kendala tersebut, tidak menyurutkan semangat Humas Perpustakaan Universitas Indonesia untuk tetap mempromosikan perpustakaan melalui Twitter.

---

COVID-19 pandemic has made many countries declare the outbreak a national emergency, including Indonesia. The Indonesian government decided to implement PPKM until COVID-19 subsided. This applies to all places in Indonesia, including libraries. Libraries are temporarily closed, but still doing all their activities online, like the University of Indonesia Library. In this study, we discuss the use of Twitter in the University of Indonesia Library during the COVID-19. The purpose is to describe how to use Twitter for library promotion, identify obstacles, and how to solve them when promoting a library using Twitter at the University of Indonesia Library during the COVID-19. The type of research used is qualitative research with data collection techniques in interviews and observations. The results is the use of Twitter for library promotion at the University of Indonesia Library during the COVID-19 are still not fully utilized. The statement of the informant who said that library promotion was mostly done on other social media rather than Twitter because there were many obstacles when promoting through Twitter. Even with these obstacles, it did not dampen the enthusiasm of the PR of the University of Indonesia Library to continue promote the library through Twitter."

"ABSTRAKKebebasan berpendapat melalui media sosial untuk mengungkapkan pikiran, pendapat dan tanggapan terhadap suatu topik tertentu menimbulkan dampak negatif berupa konten yang menebarkan kebencian. Penelitian ini bertujuan untuk melakukan deteksi sebuah informasi yang merupakan ujaran kebencian di media sosial Twitter. Data yang digunakan berjumlah 4.002 data sentimen terkait topik politik, agama, suku dan ras di Indonesia. Pada pembangunan model, penelitian ini menggunakan metode klasifikasi sentimen dengan algoritma machine learning seperti Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree dan Support Vector Machine SVM . Di samping itu, penelitian ini juga melakukan perbandingan performa model dengan menggunakan unigram, bigram dan unigram-bigram dalam proses fitur ekstraksi dan penggunaan SMOTE untuk mengatasi imbalanced data. Evaluasi dari percobaan yang dilakukan menunjukkan bahwa algoritma AdaBoost menghasilkan model terbaik dengan nilai recall tertinggi yaitu 99.5 yang memiliki nilai akurasi sebesar 70.0 dan nilai F1-score sebesar 82.2 untuk klasifikasi ujaran kebencian apabila menggunakan bigram.

---

ABSTRACTFreedom of expression through social media to express idea, opinion and view about current topic causes negative impact as the rise of hateful content. This study aims to detect a hate speech information through Twitter. Dataset of this study consists of 4.002 sentiment data related to politic, race, religion and clan topic. The model development of this study conducted by sentiment classification method with machine learning algorithm such as Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree and Support Vector Machine SVM . We also conduct a comparison of model performance that used unigram, bigram, unigram bigram feature and SMOTE to handle imbalanced data. Evaluation of this study showed that AdaBoost algorithm resulted the best classification model with the highest recall model which was 99.5 , accuracy score as much as 70.0 and F1 score 82.2 to classify hate speech when using bigram features."

"ABSTRAK Penelitian ini meneliti mengenai pengaruh norma hubungan yang dibedakan menjadi 2 jenis yaitu communal dan exchange, yang nantinya akan mempengaruhi purchase intention, WOM (word of mouth) dan attitude toward brand konsumen. Dalam penelitian ini akan ada 126 responden yang akan berpartisipasi dalam survey. Responden akan dibedakan menjadi 2 yaitu high user dan low user. Akan ada 2 jenis kuesioner yang masin-masing memiliki treatment untuk dua jenis norma hubungan, dan masing masing dengan respondennya. Hasil penelitian ini menunjukan bahwa tidak ada interaksi antara jenis pengguna twitter dan jenis hubungan dan tidak ada perbedaan yang signifikan pada purchase intention, WOM (word of mouth) dan attitude toward brand konsumen untuk jenis hubungan, tetapi ada perbedaan yang signifikan utuk tipe pengguna twitter.

---

ABSTRACT These studies examine the influence between relationship norm, communal and exchange relationship. There were 126 respondents who participated in this research. Those respondents will divided into two groups, high twitter user and low twitter user. There will be 2 kind of questionare that has its own treatment, communal and exchange. The result of this study is there will be no interaction between twitter usage intensity and relational type, and there is no significantly different in purchase intention, WOM intention, and attitude toward brand for relational type. But, there will be significantly different in twitter usage intensity."

"Makalah ini bertujuan untuk menyelidiki korelasi antara Twitter dan kinerja pasar saham dengan melihat perspektif tingkat industri untuk perusahaan tertentu yang tergabung dalam IDX30. Indeks saham ini adalah sub-kategori likuiditas dari Headline Index yang terdiri dari perusahaan-perusahaan yang digunakan sebagai referensi untuk menggambarkan situasi pasar saham yang memenuhi kriteria utama memiliki tingkat likuiditas yang tinggi. Untuk mendukung penelitian ini, kami mengumpulkan beberapa pendapat yang diperoleh dari Twitter sebagai sumber data streaming menggunakan pemrograman Python, dan Thomson Reuters untuk mendapatkan informasi harga saham, volume, dan kapitalisasi pasar masing-masing perusahaan. Model penelitian dibangun berdasarkan metode Amihud Illiquidity dan perhitungan volatilitas untuk mengukur korelasi antara analisis sentimen dan kinerja saham. Penelitian ini menunjukkan bahwa analisis sentimen terhadap pernyataan yang diunggah di Twitter memiliki korelasi yang tidak signifikan terhadap likuiditas dan volatilitas saham IDX30 di Indonesia. Namun demikian, penelitian ini belum dapat memisahkan antara tweet yang dihasilkan berdasarkan pendapat pengguna dan tweet yang dibuat berdasarkan permintaan dari pelaku pasar tertentu untuk mempengaruhi nilai saham dengan menyebarkan informasi yang bias untuk memancing reaksi publik.

---

This paper is aimed at investigating the correlation between Twitter and stock market performance by looking at industry-level perspective to specific companies incorporated in the IDX30. This stock index is the sub-category liquidity of the Headline Index which consists of companies that are used as a reference to describe the stock market situation that meet the main criteria of having a high level of liquidity. To support this research, we collected some opinions obtained from Twitter as a source of streaming data using Python programming, and Thomson Reuters to obtain information of stock prices, volumes, and market capitalization of each company. Research models are built based on Amihud Illiquidity method and volatility calculation to measure the correlation between sentiment analysis and stock performance. This research shows that sentiment analysis of statements uploaded on Twitter has insignificant correlation to the liquidity and volatility of IDX30 stock in Indonesia. Nevertheless, this research has not been able to separate between tweets which are generated based on user opinion and tweets which are made based on requests from certain market participants to influence the value of shares by spreading biased information to provoke a public reaction."

"Penelitian ini dilakukan untuk mengetahui hubungan kausalitas antara traffic media sosial twitter dengan pergerakan saham perusahaan. Metode penelitian yang digunakan adalah scrapping data dari twitter, adopsi granger causality VAR untuk pengujian kausalitas, dan analisi perilaku herding. Data dalam penelitian ini berupa data time series dari bulan Februari 2020 sampai dengan Oktober 2020 dengan basis 30 menit. Penelitian ini dilakukan pada perusahaan penerbangan komersial terbuka di Indonesia, dengan total didapatkan 89.334 tweet yang sudah tersaring. Penelitian ini memberikan informasi tentang tren volume tweet dan aktivitas pasar saham serta korelasi di antara keduanya. Hasil analisis memberikan kesimpulan bahwa tidak ada kausalitas terarah antara Traffic Twitter dan Pergerakan Saham perusahaan penerbangan komersial Indonesia pada periode penuh, namun ditemukan hubungan causalitas pada periode per dua bulan pada skema 2 periode 4. Penelitian ini menemukan perilaku herding pada periode tersebut dan potensi informasi bahwa pasar saham yang bersangkutan punya penyebaran informasi oleh investor yang belum merata serta bukti yang didapatkan berpotensi menggambarkan pasar yang weak-form.

---

This research is conducted to know the relationship of causality between the traffic of social media twitter and the stock return of the company. The research method uses scrapping data from twitter, adopting granger causality VAR for testing causality, and analyze herding behavior. Data in this research is time-series data from February 2020 until Oktober 2020 on a 30min basis. This research conducted at one aviation company in Indonesia, with total 89.334 filtered tweet found. The analysis gives information about the trend of tweet volume and stock market activity and the correlation between them. Analysis result gives a conclusion that there are no directional causality between the Twitter Traffic and Stock return on IPO Airline Companies. This reserach found herding behavior during that period and the information about the stock market not fully distributed and the evidence obtained could potentially describe a weak-form market."

"ABSTRAKSkripsi ini akan membahas implementasi perancangan aplikasi data mining yang ditulis menggunakan bahasa pemrograman Java untuk mendapatkan konten media sosial terkait sentimen mengenai pengalaman pembelajaran dari pelajar di Indonesia. Aplikasi Java yang dirancang akan meminta masukan kata kunci pencarian kepada pengguna, untuk kemudian dilakukan pencarian menggunakan library twitter4j untuk dapat mengakses endpoint search/tweets.json yang terdapat pada Twitter core API. Setelah melakukan pencarian konten media sosial, aplikasi akan menuliskan hasil pencarian ke dalam berkas spreadsheet untuk dianalisis lebih lanjut. Hasil dari spreadsheet tersebut kemudian dilakukan perhitungan untuk masing-masing keyword nya dan ada pengkategorian lebih lanjut untuk sentimen negatif. Hasil dari pengambilan data yang berjumlah 2000 tweet menunjukkan sentimen positif mempunyai persentase paling sedikit, yaitu 596 (30%), sentimen negatif berjumlah 600 (30%) dan sentimen netral persentasenya paling besar, yaitu 804 (40%). Lalu untuk pengkategorian sentimen negatif, kategori 3 yaitu Emosi Negatif berjumlah paling banyak dengan jumlah 303 tweet (50%). Sedangkan kategori 1, 2, 4 dan 5 masing-masing mempunyai persentase 12%, 11%, 9% dan 18%.

---

ABSTRACT

This thesis discuss about data mining application design written in Java language program to get social media content regarding learning experience sentiment from student across Indonesia. Designed Java application will inquire searching keywords from users and then it will search using library twitter4j to access endpoint search/tweets.json in Twitter core API. After searching process, the application will write the search result into spreadsheet for further analysis. The data result saved in the spreadsheet will be compute for each keywords and there will be further classification for negative sentiment result. Sample from 2000 tweets shows positive sentiment has the least percentage, about 596 tweets (30%), negative sentiment has 600 tweets (30%) and neutral sentiment has the biggest value, 804 tweets (40%). For negative sentiment classification, Negative Emotion as category 3 has the most tweets with 304 tweets (50%). Meanwhile, category 1,2,4 and 5 have percentages with each value consist 12%, 11%, 9% and 18%."