Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pembentukan RUU Cipta Kerja memunculkan berbagai macam polemik di Indonesia. Penolakan terhadap RUU tersebut ditunjukkan oleh masyarakat Indonesia dengan berbagai cara. Mulai dari diskusi dengar pendapat dengan DPR, membahas dan mengangkat isu-isu kontroversial dalam RUU tersebut di berbagai media sosial, bahkan sampai melakukan demonstrasi besar-besaran yang tidak jarang berakhir dengan kericuhan. Penelitian ini bertujuan untuk mengidentifikasi stance masyarakat terhadap RUU Cipta kerja pada media sosial Twitter. Dataset diambil dari Twitter menggunakan kata kunci terkait RUU Cipta Kerja sebanyak 9440 data Tweet dalam periode 25 Oktober 2019 sampai pada 25 Oktober 2020. Anotasi dilakukan menggunakan label PRO, ANTI, ABS, dan IRR. Eksperimen yang dilakukan mengguanakan fitur unigram, bigram, dan unigram+bigram, dengan algoritma Multinomial Naïve Bayes, Support Vector Machine, dan Logistic Regression. Model terbaik dari eksperimen tersebut adalah model yang menggunakan fitur unigram dengan menggunakan algoritma klasifikasi logistic regression yang dapat mencapai nilai micro f-1 score sebanyak 72,3%.

---

The formation of RUU Cipta Kerja (Job creation law) gave rise to various kinds of polemics in Indonesia. The Indonesian people have shown rejection of the law in various ways. Starting from hearing discussions with the DPR, discussing and raising controversial issues in the law on various social media, even holding large demonstrations that often end in chaos. This study aims to identify the public's stance on the job creation law on Twitter social media. The dataset was taken from Twitter using keywords related to the job creation law, totaling 9440 Tweets from 25 October 2019 to 25 October 2020. Annotations were carried out using the PRO, ANTI, ABS, and IRR labels. The experiments were carried out using unigram, bigram, and unigram + bigram features, with the Naïve Bayes Multinomial algorithm, Support Vector Machine, and Logistic Regression. The best model of the experiment is a model that uses the unigram feature using the logistic regression classification algorithm which can achieve a micro f-1 score of 72,3%."

"ABSTRAK<>br>Dalam beberapa tahun terakhir, masalah pengukuran kredibilitas informasi di jaringan sosial mendapat perhatian yang cukup besar terutama di bawah situasi darurat. Hal itu merupakan konsekuensi dari membeludaknya informasi, terlebih ketika semua orang bebas berperan sebagai sumber informasi.Penelitian ini menyoroti buramnya dinding pembatas antara fakta dan hoax di Indonesia, sehingga hal itu menyebabkan banyaknya kasus penyebaran hoax di media. Jika dibiarkan hal tersebut dapat berdampak buruk bagi seorang pribadi ataupun organisasi yang diserang isu hoax. Survei yang dilakukan Intelligence Media Management IMM menyatakan terdapat peningkatan tajam di tahun 2016 dari 1572 menjadi 7311 pemberitaan media. Dan berdasarkan hasil survei yang dilakukan masyarakat telematika mastel Indonesia hampir dari seluruh responden 84,5 menyatakan terganggu dengan maraknya berita hoax yang dapat mengganggu kerukunan masyarakat dan menghambat pembangunan nasional.Menurut Menteri Komunikasi dan Informatika Rudiantara, langkah nyata yang bisa dilakukan adalah menyaring informasi menjadi lebih cepat dan tegas. Untuk itu diperlukan tindakan sehingga penyebaran hoax di media dapat diturunkan. Tujuan dilakukannya penelitian ini adalah untuk mengidentifikasi konten di media sosial merupakan suatu hoax atau tidak pada saat konten tersebut beredar. Metodologi yang digunakan di dalam penelitian ini dimulai dengan mengumpulkan tweets yang terindikasi hoax lalu dilakukan proses pengolahan data dengan membuat suatu model text mining yang dapat memprediksi suatu konten berpotensi hoax atau tidak.Hasil dari penelitian ini yaitu didapatkan sebuah model berbasis pembelajaran sendiri menggunakan algoritma LinearSVC dengan akurasi 91 yang dapat memprediksi apakah suatu tweet merupakan berpotensi hoax atau tidak sehingga membantu dalam menyaring suatu informasi yang diharapkan dapat mengurangi penyebaran hoax di Indonesia.

---

ABSTRACT<>br>In recent years, the problem of measuring the credibility of information on the social network received considerable attention, especially under emergency situations. This is the consequence of too many information, especially when everyone is free to act as a source of information.The study highlights the blurring of the dividing wall between fact and hoax in Indonesia, so it causes many cases of spread of hoaxes in the media. If left unchecked it can be bad for a person or organization that attacked the issue of hoaxes. Surveys conducted by Intelligence Media Management IMM said there is a sharp increase in 2016 from 1572 content into 7311 content spread in media. And based on the results of a survey conducted by telematics community Mastel Indonesia almost of all respondents 84.5 declared disturbed by the rise of the hoax news that could disturb social harmony and impede national development.According to the Minister of Communications and Information Rudiantara, concrete steps that can be done is to filter information faster and firmer. It required the action so that the spread of hoax in the media can be derived. The purpose of this research is to identify content in social media is a hoax or not when the content is spreading. The methodology used in this research begins with collecting tweets that indicated hoax and then performed data processing by creating a text mining model that can predict a potentially hoax content or not.The result of this research is a machine learning model using LinearSVC algorithm with 91 accuracy which can predict whether tweet potentially hoax or not, thus helping the filtering of information expected to reduce the spread of hoax in Indonesia."

"Perbankan di Indonesia telah meluncurkan aplikasi perbankan seluler dengan tujuan untuk memberikan pengalaman layanan yang baik bagi nasabah. Bank harus meningkatkan efektivitas aplikasi perbankan seluler mereka untuk memberikan peningkatan nilai aplikasi tersebut. Dalam upaya menemukan ruang perbaikan bagi perbankan, penelitian ini dilakukan untuk mengetahui topik yang umum dibicarakan serta mengetahui sentimen ulasan pengguna layanan perbankan seluler di Indonesia pada ulasan Google Play yang dimiliki oleh BNI, BCA, dan Mandiri. Penelitian ini menambah penerapan text mining dan membantu pengembang platform digital perbankan ulasan dengan efisien, dan mendukung pengambilan keputusan dan strategi bisnis unggul. Tiga algoritma klasifikasi sentimen, yaitu logistic regression, naïve bayes, dan support vector machine digunakan dalam penelitian ini. Algoritma dijalankan pada pemodelan train data, k-fold cross validation data train, k-fold cross validation semua data, dan prediksi data test. Pemodelan topik adalah LDA (Latent Dirichlet Allocation) untuk kategori sentimen. Algoritma logisitc regression memiliki akurasi tertinggi yaitu 97,00 %. Model digunakan pada data baru, diketahui ulasan didominasi dengan sentimen negatif yaitu sebesar 62,22% atau sebanyak 7.374 sedangkan ulasan sentimen positif sebesar 37,78% atau sebanyak 4.477 ulasan. Pemodelan topik ulasan aplikasi perbankan seluler sentimen positif memiliki nilai koheren tertinggi 0,649 dengan jumlah 19 topik membahas kemudahan dan kelancaran transaksi, kelengkapan fitur, keamanan, akses dan login, kecepatan dan efisiensi, dan kemudahan penggunaan. Pemodelan topik ulasan aplikasi perbankan seluler sentimen negatif memiliki nilai koheren tertinggi 0,440 dengan jumlah 18 topik membahsas push notifikasi uang masuk, top-up dan transfer gagal, kesulitan login aplikasi perbankan seluler, update mengganggu, gagal transaksi, saldo terpotong saat gagal transaksi, error sistem, kendala BI-Fast dan kartu, dan masalah verifikasi. Kata kunci: pemodelan topik, analisis sentimen, text mining, aplikasi perbankan seluler, ulasan aplikasi.

---

Banks in Indonesia have launched mobile banking to provide good experience for customers. However, digital mobile banking services in Indonesia are considered unideal. Banks shall increase the effectiveness of their mobile banking applications to gain value added. Finding room for improvement can be done by analyzing mobile banking user feedback in the Google Play review column. This research aims to determine the topics that are commonly discussed and expected as well as to find out the sentiment of reviews of mobile banking owned by BNI, BCA, and Mandiri. This research enhances the application of text mining and helps digital banking platform developers analyze reviews efficiently, supporting decision-making and superior business strategies. Three sentiment classification algorithms, namely logistic regression, naïve Bayes, and support vector machine were used in this research. Each algorithm is run for modeling train data, k-fold cross validation of train data, k-fold cross validation of all data, and prediction of test data. Topic modeling is LDA (Latent Dirichlet Allocation) for each sentiment category. The logical regression algorithm is the highest accuracy, 97.00%. Apply model for new data, 62.22% or 7,374 reviews are dominated by negative sentiment, while positive sentiment reviews are 37.78% or 4,477 reviews. Topic modeling of mobile banking review with positive sentiment has the highest coherent value of 0.649 with 19 topics discusses ease and smoothness of transactions, completeness of features, security, access and login, speed and efficiency, and ease of use. Meanwhile, topic modeling with negative sentiment has the highest coherent value of 0.440 with a total of 18 topics discusses push notifications for incoming money, failed top-ups and transfers, difficulties login to mobile banking, annoying updates, failed transactions, balances deducted when transactions fail, system errors, BI-Fast and card problems, and verification problems."

"Pada tahun 2020, nilai customer satisfaction index (CSI) PT XYZ yang mempresentasikan kepuasan konsumen XYZ berjumlah 83.9. Angka ini gagal mencapai target PT XYZ di tahun tersebut yaitu 87, dan turun dari tahun sebelumnya yaitu 86,5 di tahun 2019. Berdasarkan pengambilan data, diketahui bahwa XYZ mengelola aduan konsumen hanya melalui Twitter. Dari ribuan tweet yang diterima akun resmi customer care PT XYZ (@XYZCares) tiap bulan di Twitter, diperkirakan hanya 1-2% yang dideteksi sebagai aduan dengan proses pengawasan manual. Penelitian ini merancang solusi dua langkah berupa implementasi social media listening dalam bentuk sentiment analysis dan topic modelling, untuk mengetahui isu dalam tweet aduan kepada XYZ. Dataset berupa kumpulan tweet yang menyebutkan @XYZCares pada kurun waktu 1 Januari 2020 - 31 Desember 2020. Data di-scrape dari Twitter menggunakan script Python. Hasil evaluasi secara cross-validation menunjukkan akurasi rerata sentiment analysis dengan algoritme SVM lebih akurat (77%) untuk kasus ini dibandingkan algoritme RF (75%). Untuk task pemodelan topik, algoritme LDA menghasilkan klaster topik sejumlah 4 dengan rerata TPC sebesar 80%. Diketahui bahwa topik yang dominan adalah isu korupsi dan suap di badan PT XYZ. Dengan mempertimbangkan penemuan tersebut, saran yang dapat diberikan berdasarkan penelitian ini adalah memberhentikan staf yang diduga terlibat dalam isu-isu tersebut, serta menerapkan good corporate governance berupa aspek pengawasan dan pencegahan korupsi.

---

The customer satisfaction index (CSI) for the year 2020 is calculated at 83.9. This value fails to reach the company’s target for the year at 87 and is lower than the CSI value for 2019 at 86.5. Data acquired from the company shows that consumer complaints are accepted and processed only through Twitter. It is estimated that of the thousands of tweets processed by PT XYZ’s official customer care account (@XYZCares) each month, only 1-2% of the tweets are considered complaints based on manual searching and classification. This research proposes a two-step solution by implementing social media listening in the form of sentiment analysis and topic modelling, to detect the most frequent issues addressed to XYZ. The dataset consists of tweets created from January 1st, 2020, to December 31st, 2020 which mentioned @XYZCares. The tweets were scraped from Twitter using Python scripts. The results of cross-validation show that for the task of sentiment analysis, SVM is a more accurate algorithm on average (77%) compared to Random Forest (75%). For the following task of topic modelling, the LDA algorithm model produced 4 topic clusters with an average TPC of 80%. The most dominant topic detected relate to allegations of bribery and corruption within PT XYZ. Taking these finds into consideration, this research suggests that PT XYZ immediately dismiss all staff implicated in the aforementioned cases, as well as implementing good corporate governance in the form of tighter supervision and prevention of corrupt dealings."

"ABSTRAKPangan merupakan hak asasi manusia yang harus senantiasa terpenuhi oleh masyarakat dengan daya beli yang sesuai dan mempunyai kualitas pangan yang tinggi dan aman. Hal tersebut mendorong kedaulatan pangan suatu negara, yang secara mandiri memenuhi kebutuhan pangan masyarakatnya berdasarkan sistem pangan yang adil bagi seluruh masyarakat. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 yang mewajibkan adanya sistem informasi tentang pangan dan gizi dan teori evolusi e-government 3.0. Oleh karena itu salah satu solusi yang mendukung peraturan tersebut dan pendekatan e-government 3.0 adalah dengan pendekatan text mining. Penelitian ini mengolah data dari LAPOR! dan berita daring mengenai kedaulatan pangan untuk mengekstrak informasi dan menemukan pola-pola yang akan menghasilkan informasi tentang kedaulatan pangan di Indonesia sehingga dapat membantu pengambilan keputusan yang berdasar pada data melalui representasi visualisasi berbasis web. Jenis analisis informasi yang digunakan adalah Klasifikasi Dokumen untuk penyaringan dokumen, Named Entitiy Recognition yang digunakan untuk mengetahui entitas lokasi dan komoditas pangan dari data tekstual, dan Topic Modelling untuk menemukan topik dari sekumpulan teks dokumen berita dan aduan LAPOR!. Algoritma yang dipakai dalam penelitian ini adalah Conditional Random Fields dan Conditional Markov Model untuk implementasi Named Entity Recognition. Latent Dirichlet Allocation dan Non-Negative Matrix Factorization untuk implementasi Topic Modelling. Selain itu Naïve Bayes, Support Vector Machine, dan Logistic Regression digunakan untuk klasifikasi dokumen. Sedangkan pemilihan model ini menggunakan Conditional Random Field dengan nilai F1-score pada entitas lokasi sebesar 83.85 dan entitas komoditas pangan sebesar 90.98 yang digunakan pada data berita daring, pada data aduan LAPOR!, entitas lokasi menggunakan Conditional Markov Model dengan nilai F1-Score sebesar 60.35 dan entitas komoditas pangan sebesar 89.74. Pada klasfikasi dokumen, model Support Vector Machine dengan fitur unigram memiliki nilai presisi sebesar 92.00. Pada Topic Modelling, model Non-Negative Matrix Factorization memiliki nilai coherence yang lebih tinggi daripada Latent Direchlete Allocation pada tiga eksperimen dengan dataset yang berbeda. Di samping itu, dilakukan visualisasi tentang kedaulatan pangan berdasarkan pengolahan data tersebut di atas untuk memudahkan pengambilan kebijakan oleh pimpinan seperti Tim Ahli di Kantor Staf Presiden.

---

ABSTRACTFood is a human right that must always be fulfilled by the society with the appropriate purchasing power and high and safe food quality. This encourages food sovereignty of a country, which independently meets the food needs of its people based on a food system that is fair to the entire community. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 requires an information system on food and nutrition and the theory of e-government 3.0 evolution. Therefore, one solution that supports these regulations and the e-government 3.0 approach is the text mining approach. This research processes data from LAPOR! and online news on food sovereignty to extract information and find patterns that will produce information on food sovereignty in Indonesia so that it can assist decision-making based on data through web-based visualization representation. The type of information analysis used is Document Classification for document filtering, Named Entity Recognition which is used to find out location entities and food commodities from textual data, and Topic Modeling to find topics from a collection of text news documents and complaints LAPOR !. The algorithm used in this study is Conditional Random Fields and Conditional Markov Models for the implementation of Named Entity Recognition. Latent Dirichlet Allocation and Non-Negative Matrix Factorization for the implementation of Topic Modeling. In addition Naïve Bayes, Support Vector Machine, and Logistic Regression are used for document classification. Whereas the selection of this model uses Conditional Random Field with an F1-score value for location entities of 83.85 and a food commodity entity of 90.98 used in online news data. In the LAPOR! Complaint data, the location entity uses Conditional Markov Model with an F1-Score value of 60.35 and food commodity entities amounting to 89.74. In classifying documents, the Support Vector Machine model with unigram features has a precision value of 92.00. In Topic Modeling, the Non-Negative Matrix Factorization model has a higher coherence value than the Latent Direchlete Allocation in three experiments with different datasets. In addition, visualization of food sovereignty is based on the processing of the data above to facilitate policy making by leaders such as the Expert Team at the Kantor Staf Presiden.

"

"Investasi berbasis Crowdfunding merupakan Platform yang mengembangkan berbagai macam keunggulan yang mereka miliki untuk memikat masyarakat agar mau melakukan investasi digital, seperti menyediakan fitur berbagai aneka ragam instrumen investasi dan memberikan kemudahan seperti menawarkan biaya minimum untuk melakukan investasi sebagai modal awal. Penelitian ini bertujuan untuk mengetahui dan menganalisis ulasan pada aplikasi Crowdfunding Land X dan Santara dengan menggunakan metode Text Mining yang berbasis Sentiment Analysis Data yang digunakan dalam penelitian ini merupakan data sekunder yang didapat dengan cara mengambil data yang berupa text review pada aplikasi Crowdfunding Land X dan Santara. Data review yang berhasil diambil untuk aplikasi Santara sebesar 14.991 review, dan data pada aplikasi Land X, data yang berhasil berjumlah 2.241 review. Alat analisis yang digunakan dalam penelitian ini adalah software R dengan metode Text Mining berbasis Sentiment Analysis. Dengan menggunakan Text Mining berbasis Sentiment Analysis, dapat menjadi salah satu indicator analisis untuk melihat pandangan pengguna aplikasi terhadap aplikasi Land X dan Santara.

---

Crowdfunding-based investments are platforms that develop many various advantages to entice the public to make digital investments, such as providing features for a wide variety of investment instruments and giving conveniences such as offering minimum fees for investing as initial capital. This study aims to find out and analyze reviews on Crowdfunding Land X and Santara applications using the Sentiment Analysisbased Text Mining method. The data used in this study is secondary data obtained by taking data in the form of text reviews on the Land X and Santara Crowdfunding applications. The successful review data was taken for the Santara application amounted to 14,991 reviews, and the data on the Land X application, the successful data amounted to 2,241 reviews. . The analytical tool used in this study is R software with the Text Mining method based on Sentiment Analysis. By using Text Mining based on Sentiment Analysis, it can be an indicator of analysis to see the views of application users on Land X and Santara applications."

"Penerapan Teknologi Informasi dan Komunikasi (TIK) untuk meningkatkan keunggulan kompetitif.tidak hanya dimanfaatkan oleh sektor industri, namun juga sektor pemerintahan. Pemerintah Indonesia sendiri di dalam kaitannya dengan pemanfaatan TIK, telah membangun suatu sistem yang memungkinkan masyarakat untuk melaporkan keluhan dan aspirasinya melalui sistem LAPOR!. Sistem LAPOR! ciptaan pemerintah ini ternyata ditanggapi dengan antusias oleh masyarakat, terbukti dengan banyaknya laporan yang masuk ke pemerintah. Guna membantu kinerja pemerintah, dilakukan penelitian untuk menganalisis data tekstual laporan masyarakat dengan text mining untuk kemudian dilakukan disposisi otomatis ke dalam dua kategori utama LAPOR! yaitu topik dan instansi terkait. Disposisi otomatis dilakukan menggunakan teknik problem transformation pada multilabel classification melalui algoritma klasifikasi support vector machine dan naïve bayes. Hasil penelitian menunjukkan bahwa disposisi otomatis dapat diterapkan ke dalam sistem LAPOR! dan dapat meningkatkan kinerja disposisi laporan. Algoritma yang menghasilkan performa terbaik di dalam penerapannya adalah algoritma support vector machine

---

The application of Information Technology and Communication (ICT) to escalate the competitive advantage is not only used in the industrial sector, but also in the government as well. The government of the Republic of Indonesia itsef, in the use of ICT, has built a system that enable its citizen to report their grievance and aspiration through LAPOR! system. This system turned out to be accepted with great enthusiasm by the public, as evidenced by the many reports to the government. In order to support the government’s performance, research is conducted to analyze the textual data using text mining, for later automatic disposition into two groups of LAPOR!'s category which is topik and instansi terkait. disposition is done using problem transformation technique in multilabel classification through support vector machine and naïve bayes classification algorithm. The result showed that automatic disposition can be applied into LAPOR! system and improves the report disposition’s performance. Algorithm that produces the best performance in the application is support vector machine. "

"Penelitian ini bertujuan untuk membangun proses bisnis pengawasan Fintech P2P Lending di Indonesia berbasis Berita Daring, Twitter, dan Ulasan Google Playstore. Usulan pengawasan yang baru digambarkan dengan Business Process Modeling Notation (BPMN). Selanjutnya diimplementasikan dengan membuat prototipe. Pendekatan yang digunakan adalah pendekatan Text Mining seperti ekstraksi informasi dengan Named Entity Recognition (NER), Analisis Sentimen dan Pemodelan Topik dengan Latent Dirichlet Allocation (LDA). Hasil eksperimen pada pendekatan NER menunjukan Algoritma Multinomial Naïve Bayes mendapatkan F1-score tertinggi sebesar 90%, sedangkan pada pendekatan analisis sentiment model Naïve Bayes dan Random Forest terbukti memiliki akurasi tinggi yaitu diatas 91%. Hasil NER membuktikan bahwa platform Cashless, Yokke, Digital Artha Media, Koinworks, Moka, Privy id, PT Tunaiku Fintech Indonesia, PT Relasi Perdana Indonesia, PT Dynamic Credit Asia dan PT Progo Puncak Group tidak ada dalam daftar Fintech di Otoritas Jasa Keuangan (OJK). Sedangkan hasil Persentase positif untuk aplikasi Adakami, Easycash, Danamas, Dompetkilat, dan Indodana berturut-turut adalah 47%, 59%, 28%, 24%, dan 29%. Penelitian ini dapat digunakan oleh OJK untuk pengawasan Fintech dan meningkatkan perlindungan konsumen.

---

This research aims to build a business process to supervise Fintech P2P Lending in Indonesia based on Online News, Twitter, and Google Playstore Reviews. The proposed new supervision is described by the Business Process Modeling Notation (BPMN), then implemented by making a prototype. The Text Mining approach uses information extraction with Named Entity Recognition (NER), Sentiment Analysis, and Topic Modeling with Latent Dirichlet Allocation (LDA). Experimental results on the NER approach show that the Naïve Bayes Multinomial Algorithm gets the highest F1-score of 90%. In contrast, the Naïve Bayes and Random Forest model sentiment analysis approaches are proven to have high accuracy, above 91%. The NER results demonstrate that the platforms Cashless, Yokke, Digital Artha Media, Koinworks, Moka, Privy id, PT Tunaiku Fintech Indonesia, PT Relasi Perdana Indonesia, PT Dynamic Credit Asia, and PT Progo Puncak Group are not on the Fintech list at the Financial Services Authority (OJK). While the positive percentage results for the Adakami, Easycash, Danamas, Dompetkilat, and Indodana applications were 47%, 59%, 28%, 24%, and 29%, respectively. This research can be used by OJK for Fintech supervision and improving consumer protection."

"Perkembangan teknologi informasi khususnya internet di Indonesia terbilang sangat pesat. Media sosial hadir sebagai sarana baru dalam berkomunikasi dengan perantara internet. Salah satu media sosial pemicu hal tersebut adalah twitter. Banyak sekali variasi topik yang dihasilkan para pengguna twitter. Setiap topik yang dihasilkan memiliki nilai sentimen. Nilai sentimen dibagi menjadi positif, negatif, dan netral. Untuk mengetahui nilai sentimen, digunakanlah analisis sentimen. Namun dengan banyaknya pengguna twitter, akan memakan waktu banyak untuk mengetahui nilai sentimen. Sehingga digunakanlah Support Vector Machine (SVM). Tetapi SVM hanya bisa mengklasifikasikan 2 kelas. Sehingga diperlukan pendekatan Multiclass. terdapat dua cara dalam melakukan pendekatan Multiclass, yaitu pendekatan One Vs One dan One Vs All.

---

The growth of information technology, especially the Internet in Indonesia, is rapidly increasing. Social media is the new way to communicate with other users on the internet. Twitter is one of the social media that contribute the growth. There are many topics that are generated by the users. Each topic that is generated by the users has the sentiment value. The sentiment value is divided into positive, negative, and neutral. To determine the value of the sentiment, we need to use the sentiment analysis. However, with so many twitter users, it will take a lot of time. That is why we use Support Vector Machine (SVM). However, SVM can only classify two classes. Therefore, we need multiclass approach. There are two ways of doing multiclass approach: One Vs One and One vs All."

"Twitter adalah platform media sosial microblogging yang memungkinkan komunikasi dua arah untuk mengutarakan opini dan komentar. Komentar-komentar yang beragam ini dapat memperlihatkan sentimen-sentimen masyarakat apabila dilakukan analisis sentimen. Analisis sentimen adalah studi yang menganalisis opini orang terhadap suatu produk, organisasi, individu, atau jasa tertentu. Machine learning merupakan metode yang dapat mempermudah proses klasifikasi sentimen. Penelitian ini dilakukan pada cuitan berbahasa Indonesia terkait Kampus Merdeka yang diambil dari Twitter menggunakan package tweepy sebanyak 1.651 cuitan terhitung dari tanggal 5 Maret 2022 hingga 13 Maret 2022. Model machine learning yang digunakan pada penelitian ini adalah Bidirectional Long Short-Term Memory (BiLSTM), dengan dua model hybrid LSTM-based, yaitu CNN-LSTM dan LSTM-CNN sebagai pembanding. Kinerja model diukur dengan metrik kinerja accuracy, precision, recall, dan F1-score. Implementasi dilakukan pada data yang telah dilakukan oversampling untuk mendapatkan hasil yang optimal. Penelitian menunjukkan bahwa model BiLSTM memiliki kinerja yang lebih unggul dibandingkan dengan dua model pembanding lainnya pada seluruh metrik dengan besar metrik, yaitu: accuracy dan recall sebesar 79,577%; precision sebesar 73,097%; dan F1-score sebesar 75,634%.

---

Twitter is a microblogging social media platform that allows two-way communication to express opinion and comments. These various comments can show us sentiment of the public when we perform a sentiment analysis. Sentiment analysis is a study that analyze the opinion of people towards a specific product, organization, individual, or service. Machine learning is a method that will help perform sentiment classification easier. This study performs analysis on 1.651 data tweets about Kampus Merdeka taken from Twitter using a package called tweepy since March 5th 2022 until March 13th 2022. The machine learning model used in this study is Bidirectional Long Short-Term Memory (BiLSTM), with two LSTM-based hybrid model, CNN-LSTM and LSTM-CNN as comparison models. Model performance is measured by performance metrics accuracy, precision, recall, and F1-score. Implementation was done on data that has been going through oversampling to achieve the best result. The study shows that BiLSTM performs better than the other two comparison models for all the metrics with the percentage of the each metric being: 79.577% for accuracy and recall; 73,097% for precision; and 75,634% for F1-score."