Hasil Pencarian  ::  Simpan CSV :: Kembali

"Selama pemberlakuan pembatasan kegiatan masyarakat (PPKM) saat pandemi Covid-19, berbagai aktivitas bekerja, belajar, hingga berbelanja lebih banyak dilakukan dengan memanfaatkan teknologi digital dari rumah. Telkomsel Orbit yang merupakan produk layanan internet rumahan hadir untuk mendukung perubahan perilaku pelanggan selama pandemi. Pelanggan Telkomsel Orbit telah meningkat secara eksponensial selama pandemi, akan tetapi pada bulan Oktober 2021 hingga Januari 2022 terjadi penurunan jumlah pertumbuhan pelanggan. Pemasaran di media sosial dengan menggandeng influencer di media sosial dapat dilakukan untuk meningkatkan pertumbuhan pelanggan dan mengatasi masalah tersebut. Penelitian ini dilakukan untuk mendeteksi influencer di media sosial Twitter dan Instagram dengan menggunakan analisis sentimen dan jejaring sosial untuk produk Telkomsel Orbit. Data yang digunakan merupakan tweet, retweet, postingan, dan komentar yang diunggah pada periode 1 Oktober 2021 hingga 31 Maret 2022 terkait produk Telkomsel Orbit, total sebanyak 6,092 tweet dan 8,095 postingan dikumpulkan. Penelitian ini menggunakan algoritma Naïve Bayes (NB), Support Vector Machine (SVM), dan Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) pada proses pembuatan model dalam analisis sentimen berbasis pembelajaran mesin. Selain itu, penelitian ini menggunakan analisis jejaring sosial untuk menentukan aktor utama yang memiliki pengaruh terbesar dengan mengukur empat nilai sentralitas yaitu degree centrality, closeness centrality, betweenness centrality, dan eigenvector centrality. Hasil penelitian menunjukan algoritma SVM memiliki kinerja terbaik dengan rata-rata nilai akurasi sebesar 83.68% diikuti oleh LSTM-RNN sebesar 82.54% dan NB sebesar 75.35%. Selain itu, akun dengan pengaruh terbesar berdasarkan nilai sentralitasnya pada media sosial Twitter adalah denkmit untuk sentimen positif dan myorbitid untuk sentimen negatif, sedangkan pada media sosial Instagram adalah akun tseljabotabekjabar, witelaceh, telkomsel.halo.bjm, dan telkomsel.bojonegoro untuk sentimen positif dan negatif. Hasil dari penelitian ini memberikan kontribusi praktis bagi organisasi dalam melakukan pemasaran di media sosial untuk membangun merek serta menyebarkan informasi dan promosi secara elektronik untuk meningkatkan niat beli suatu produk. Influencer di media sosial berperan penting sebagai pihak yang menyebarkan informasi dan promosi tersebut di media sosial. Selain itu, penelitian ini juga memberikan kontribusi teoritis dalam analisis sentimen berbasis pembelajaran mesin dan analisis jejaring sosial dalam mendeteksi aktor utama di media sosial.

---

During the implementation of restrictions on community activities (PPKM) in times of the Covid-19 pandemic, various activities such as working, studying, and shopping were mostly carried out by utilizing digital technology from home. Telkomsel Orbit, a home internet service was launched to support changes in customer behavior during the pandemic. Telkomsel Orbit subscribers have increased exponentially during the pandemic, but from October 2021 to January 2022 there was a decrease in the number of subscriber growth. To overcome these problems and increase customer growth, social media marketing and collaboration with influencers on social media could be leveraged. This research was conducted to detect influencers on social media, namely Twitter and Instagram using sentiment analysis and social networks analysis for Telkomsel Orbit products. The data used were tweets, retweets, posts, and comments uploaded in the period between October 1, 2021 and March 31, 2022 related to Telkomsel Orbit products, a total of 6,092 tweets and 8,095 posts were collected. This study used Naïve Bayes (NB), Support Vector Machine (SVM), and Long Short-Term Memory Recurrent Neural Network (LSTM-RNN) algorithm in machine learning-based sentiment analysis. In addition, social networks analysis was also conducted by measuring four centrality metrics, namely degree centrality, closeness centrality, betweenness centrality, and eigenvector centrality. The results of this study showed that SVM algorithm had the best performance with an average accuracy of 83.68% followed by LSTM-RNN 82.54% and NB 75.35%. In addition, the accounts with the greatest influence based on the metric of centrality on Twitter are denkmit for positive sentiment and myorbitid for negative sentiment, while on Instagram social media are tseljabotabekjabar, witelaceh, telkomsel.halo.bjm, and telkomsel.bojonegoro for both of positive and negative sentiment. The results of this study provide a practical contribution to organizations in marketing on social media to build brands and disseminate information and promotions electronically to increase purchase intention of a product. Influencers on social media play an important role as third parties who will disseminate information and promotions on social media. In addition, this research also provides theoretical contributions in machine learning-based sentiment analysis and social network analysis in detecting the main actors in social media."

"ABSTRAKPerkembangan jumlah pengguna internet di Indonesia mengalami peningkatan dari tahun ke tahun. Perkembangan internet berdampak pula pada munculnya beberapa ecommerce, tidak terkecuali ecommerce yang bergerak dalam jasa pemesanan tiket dan hotel. Selain itu, internet juga mendukung media sosial untuk mengekspresikan opini yang objektif tentang suatu produk/jasa. Media sosial dijadikan sebagai media electrocic word of mouth e-wom oleh pelaku jasa ecommerce. Peneltian ini terkait analisis sentiment, reputasi brand, dan jaringan sosial di Twitter terkait ecommerce yang bergerak pada bidang pemesanan hotel dan tiket. Data yang digunakan di dalam penelitian ini merupakan data yang berhubungan dengan mention @pegi_pegi, @traveloka, dan @tiket yang diambil dari periode 24 September 2016 sampai 21 November 2016. Penelitian ini menggunakan algoritme GaussianNB, MultinomialNB, BernoulliNB, ME, SVM, dan Xgboost pada proses pembuatan model. Pada kasus imbalance data, proses pembuatan model menggunakan SMOTE yang bertujuan menyeimbangkan jumlah kelas pada data yang ada. Akurasi terbaik diperoleh dengan menggunakan algoritme SVM SMOTE sebesar 0.96, presisi sebesar 0.96, recall sebesar 0.96, dan F1-Score sebesar 0.96. Nilai reputasi brand untuk @pegi_pegi sebesar -6, @traveloka sebesar -5, dan @tiket sebesar -2. Akun yang memiliki tingkat pengaruh secara keseluruhan terhadap @pegi_pegi yaitu @calvinjeremy, @traveloka yaitu @banyuwangi_kab, dan @tiket yaitu @IndahJuli.

---

ABSTRACTThe number of internet users in Indonesia has increased from year to year. Internet development impact on the emergence of e commerces, including in ticket and hotel reservation services. In addition, the internet also supports social media to express their opinions about a product service. Social media is used as a medium electrocic word of mouth e wom by actor rsquo s ecommerce services. This study focuses on sentiment analysis, brand reputation, and social networking on Twitter related to e commerce that focuses on the hotel and ticket reservations. The data used in this research is data related to pegi pegi, traveloka, and tiket taken from the period 24 September 2016 until 21 November 2016. This research uses a GaussianNB algorithm, MultinomialNB, BernoulliNB, ME, SVM, and Xgboost in the modeling process. In case of imbalanced data, process modeling using SMOTE which aims to balance the number of classes on existing data. Best accuracy obtained by using SVM algorithm SMOTE is 0.96, the precision is 0.96, the recall is 0.96, and F1 Score is 0.96. Brand reputation for pegi pegi is 6, traveloka is 5, and tiket is 2. Accounts that have effect on pegi pegi is calvinjeremy, traveloka is banyuwangi kab, and tiket is IndahJuli."

"Industri telekomunikasi di Indonesia mengalami penurunan revenue growth di beberapa tahun terakhir. Hal ini disebabkan oleh pergesaran tren transformasi digital yang mengakibatkan kebutuhan legacy service bergeser ke digital service. Sementara itu, pendapatan dari digital service saat ini belum dapat menggantikan pendapatan dari legacy service. Internet of Things menjadi sebuah solusi yang dapat dimanfaaatkan oleh operator selular untuk menaikan kembali bisnis telekomunikasi di Indonesia. Internet of things merupakan sebuah konsep yang bertujuan untuk memperluas manfaat dari konektifitas internet yang tersambung secara terus menerus. IoT terdiri dari sensor, jaringan telekomunikasi, dan aplikasi yang mampu berbagi data, kontrol jarak jauh dari sebuah benda atau perangkat. IoT merupakan salah satu entitas di era 5G. selain itu IoT juga merupakan teknologi kunci dalam revolusi industri 4.0. Telkomsel merupakan salah satu operator selular di Indonesia yang mengalami masalah yang sama. Untuk dalam penelitian ini akan dibahas bagaimana strategi Telkomsel dalam mengimplementasikan bisnis berbasis IoT. Analisis strategi dilakukan Dengan menggunakan konsep kerangka analitis  strategis yaitu dengan metode SWOT,Matriks evaluasi internal dan eksternal dan Pemilihan alternatif strategi dengan menggunakan metode QSPM. Hasil penelitian menunjukan bahwa Telkomsel dalam posisi Growth Oriendted Strategi dimana strategi yang cocok adalah pengembangan produk dan penetrasi pasar. Strategi yang dipilih adalah Melakukan pengembangan produk IoT untuk sektor industri dengan menggunakan teknologi dan infrastruktur eksisting dimulai dari daerah urban seperti IoT untuk sektor manufacturing, transportasi, smartmatering, lalu layanan IoT di daerah rural seperti di sektor pertanian, perkebunan, dan perikanan untuk mengoptimalkan potensi ekonomi IoT.

 

 

---

The telecommunications industry in Indonesia has experienced a decline in revenue growth in recent years. This is due to a shift in the trend of digital transformation which has caused a shift in the need from legacy service to digital service. Meanwhile, revenues from digital services currently cannot replace revenue from legacy services. Internet of Things (IoT) is a solution that can be utilized by Mobile Network Operators (MNO) to boost the telecommunications business in Indonesia. Concept of IoT aims to expand the benefits of internet connectivity that is continuously connected. IoT consists of sensors, telecommunications networks, and applications that are able to share data, control remotely from a device or thing. IoT is one of the entities in the 5G era, that is also a key technology in the industrial revolution 4.0. Telkomsel is one of the cellular operators in Indonesia that faces the same problem. In research, we will discuss how Telkomsel`s strategy in implementing IoT-based business. Strategy analysis is carried out using analytical analysis strategies, namely the SWOT method, internal and external evaluation matrix and selection of alternative strategies using the QSPM method. The results of the study indicate that Telkomsel is in a position of Maintained Growth Strategy where the strategies are suitable for product development and market purchases. The chosen strategy is to develop IoT products for the industrial sector using existing technology and infrastructure starting from urban area such as IoT for manufacturing, transportation, smartmetering, then IoT services in rural areas such as in agriculture, plantations and fisheries to get great benefit from IoT economic value.

 

"

"Ulasan dapat mempengaruhi orang-orang dalam mengambil keputusan karena orang-orang dapat mengetahui ulasan yang diberikan merupakan ulasan positif atau negatif. Namun, sentimen positif, negatif, atau netral, tanpa mempertimbangkan emosi yang ada dianggap kurang, karena emosi dapat memperkuat hasil sentimen. Tesis ini membahas perbandingan antara machine learning dan deep learning dalam mengklasifikasikan sentimen dan emosi pada ulasan dengan metode klasifikasi multi-label. Pada perbandingan machine learning, digunakan metode transformasi masalah Label Powerset (LP), Binary Relevance (BR), dan Classifier Chain (CC), serta algoritma Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Extra Tree Classifier (ET). Fitur yang dibandingkan yaitu n-gram language model (unigram, bigram, unigram-bigram). Untuk deep learning, algoritma yang dibandingkan yaitu Gated Recurrent Unit (GRU) dan Bidirectional Long Short-Term Memory (BiLSTM), menggunakan word embedding yang dibangun sendiri. Hasil perbandingan menunjukkan bahwa RF unggul dengan nilai F1-score 88.4% dan 89.54% dengan metode CC untuk aspek makanan, dan LP untuk harga. Untuk aspek pelayanan dan suasana, ET memimpin dengan 92.65% dan 87.1% dengan metode LP dan CC berturut-turut. Sedangkan pada perbandingan deep learning, GRU dan BiLSTM mendapatkan nilai F1-score yang sama untuk aspek makanan, 88.16%. Pada aspek harga, GRU memimpin dengan 83.01%. Namun untuk pelayanan, dan suasana, BiLSTM mendapatkan nilai lebih tinggi dengan F1-score.

---

Review can affect the decision making from people because people can know whether the review is positive, or negative. However, the sentimen positive, neagtive, and neutral, without considering the emotion is considered not enough because emotion can strenghten the sentimen result. This thesis explaining about the comparison of machine learning and deep learning in sentiment as well as emotion classification with multi-label classification. In machine learning comparion, the problem transformation that were used are Label Powerset (LP), Binary Relevance (BR), and Classifier Chain (CC), with Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Extra Tree Classifier (ET) as algorithms. The features that compared are yaitu n-gram language model (unigram, bigram, unigram-bigram). For deep learning, algorithms that were compared are Gated Recurrent Unit (GRU) and Bidirectional Long Short-Term Memory (BiLSTM), using self-developed word embedding. The comparion results RF dominates with F1-score 88.4% and 89.54% with CC method for food aspect, and LP for price. For service and ambience aspect, ET leads with 92.65% and 87.1% with LP and CC methods, respectively. On the other hand, in deep learning comparison, GRU and BiLSTM obtained similar F1- score for food aspect, 88.16%. On price aspect, GRU leads 83.01%. However, for service and ambience BiLSTM obtained higher F1-score 89.03% and 84.78%"

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Persaingan pasar yang ketat membuat pengelola aplikasi XYZ harus dapat menghadirkan keunggulan dari produknya. Untuk itu, pengelola XYZ melakukan analisis terhadap ulasan yang diberikan oleh penggunanya. Namun, pengelola aplikasi XYZ mengalami kesulitan dalam melakukan analisis ulasan karena menggunakan cara yang manual dan tidak efisien. Penelitian ini dilakukan untuk mengetahui sentimen dari aspek-aspek mobile service quality (M-S-QUAL) dan topik-topik yang sering dibicarakan oleh pengguna aplikasi XYZ pada review Google Playstore. Data ulasan yang digunakan merupakan ulasan dari bulan Januari 2023 hingga Agustus 2024, data ini berjumlah 13,364 data. Terdapat 5,000 data yang dianotasi. Data tersebut kemudian dibersihkan dan digunakan untuk melakukan analisis sentimen berbasis aspek (ABSA) dan pemodelan topik. Hasil penelitian menunjukkan dari sembilan aspek M-S-QUAL, terdapat tiga aspek yang dieliminasi karena kekurangan data, dan terdapat empat aspek yang dieliminasi karena model machine learning yang dilatih memiliki performa yang kurang baik dengan F1-score dibawah 0.7. Model yang layak digunakan untuk scoring hanya ada pada aspek billing dan system availability yaitu model XGBoost dengan teknik oversampling synthetic minority over-sampling technique (SMOTE) untuk kedua aspek. Performa dari model-model ini adalah 0.758 pada aspek billing, dan 0.802 pada aspek system availability. Dari 4,006 ulasan relevan pada aspek billing, 6.44% adalah sentimen positif, 90.81% adalah sentimen negatif, dan 2.75% adalah sentimen netral. Dari 2,410 ulasan relevan pada aspek system availability, 7.88% memiliki sentimen positif, 86.76% memiliki sentimen negatif, dan 5.35% memiliki sentimen netral. Hasil ini menunjukkan bahwa sentimen dominan pada ulasan yang relevan dengan aspek billing dan system availability adalah sentimen negatif. Pemodelan topik dilakukan untuk masing-masing sentimen positif dan negatif pada aspek billing dan system availability. Pemodelan topik aspek billing menghasilkan 3 topik untuk sentimen positif, 3 topik untuk sentimen negatif. Pemodelan topik aspek system availability menghasilkan 2 topik untuk sentimen positif, dan 2 topik untuk sentimen negatif. Topik-topik ini yang dapat dijadikan poin perbaikan dan peningkatan aplikasi XYZ.

---

The intense competition in the market forces the XYZ management to offer competitive advantages in their product. To achieve this, they analyze user reviews. However, they face challenges in analyzing user reviews because they still use manual methods, which makes the process inefficient. This study aims to understand the sentiment of aspects of mobile service quality (M-S-QUAL) and the popular topics from XYZ app users in Google Play Store reviews. The data used in this study was 13,364 reviews from January 2023 to August 2024, with 5,000 of them manually labeled. The data was cleaned and used for aspect-based sentiment analysis (ABSA) and topic modeling. The results showed that, out of nine M-S-QUAL aspects, three were excluded due to insufficient data, and four more were excluded because the machine learning models performed poorly, with F1-scores below 0.7. Only the billing and system availability aspects had decent models. The models for these aspects used the XGBoost algorithm combined with synthetic minority over-sampling technique (SMOTE). The models’ performance scores were 0.758 for billing and 0.802 for system availability. For the billing aspect, out of 4,006 relevant reviews, 6.44% had positive sentiment, 90.81% were negative, and 2.75% were neutral. For system availability, out of 2,410 relevant reviews, 7.88% were positive, 86.76% were negative, and 5.35% were neutral. This shows that most users had negative sentiment about billing and system availability. Topic modeling was conducted separately for positive and negative sentiments in both the billing and system availability aspects. For the billing aspect, topic modeling resulted in three topics for positive sentiment and three topics for negative sentiment. For the system availability aspect, two topics were identified for both positive and negative sentiments. These topics can serve as key areas for improving and enhancing the XYZ application."

"Teknologi 4G LTE diimplementasikan untuk meningkatkan kualitas dan speed layanan data, image perusahaan, dan interoperability dengan operator lain. Penelitian ini menganalisis VoLTE sebagai alternatif layanan voice di atas jaringan LTE dengan keterbatasan bandwidth frekuensi, tetapi kontribusi layanan voice yang masih tinggi pada studi kasus di Telkomsel. Penggunaan VoLTE merupakan tahapan selanjutnya setelah voice CS fallback. Tujuan dari penelitian ini adalah membangun sebuah model untuk menilai kelayakan implementasi VoLTE dengan berbagai skenario waktu dan metode teknologi dalam rangka menurunkan nilai risiko dari implementasi LTE, sehingga dapat menentukan waktu dan metode yang tepat bagi implementasi fitur layanan VoLTE pada jaringan LTE dengan dua cara yaitu sistem SRVCC (Single Radio Voice Call Continuity) atau langsung pada sistem PS handover. Metoda penelitian yang digunakan adalah komplementer atau triangulation dengan ilmiah dan alamiah, dengan menggunakan statistik regresi, variabel acak berlainan, perhitungan bandwidth, dan nilai bisnis. Disamping itu untuk menghitung nilai risiko dari probabilistik ketidakpastian, maka digunakan analisis sensitivitas dan analisis risiko melalui simulasi Monte Carlo. Hasil yang diharapkan adalah optimalisasi dan efisiensi penggunaan bandwidth serta pembuktian hipotesis tentang studi kelayakan proyek implementasi layanan VoLTE.

---

4G LTE technology is implemented to improve the quality and speed data services, corporate image, and interoperability with other operators. This study analyzes the VoLTE as an alternative voice services over LTE networks with limited frequency bandwidth, but the contribution of voice services is still high in the case study in Telkomsel. Use of VoLTE is the next stage after the voice CS fallback.

The purpose of this research is to develop a model to assess the feasibility of implementation of VoLTE by the various scenarios timing and technology method in order to lower the risk value of the implementation of LTE, so it can determine the timing and the proper method for implementation of VoLTE service features on LTE network in two ways that are SRVCC system (Single Radio Voice Call Continuity) or directly on the PS handover system.

The method used in this research are complementary or triangulation with scientific and natural, using statistikk regression, discrete random variables, bandwidth calculation, and business value. In addition, to calculate the risk value of probabilistic uncertainty, the use of sensitivity analysis and risk analysis with Monte Carlo simulation.

The expected result is the optimization and efficient use of bandwidth as well as proving a hypothesis about the project feasibility study of the VoLTE services implementation."

"ABSTRACTPenelitian ini membahas mengenai perjanjian Kontrak Eksklusif antara social media influencer dengan pihak perusahaan pengiklan di dalam dunia periklanan di Indonesia. Perjanjian yang dibuat diantara kedua pihak bertujuan untuk mengatur hak dan kewajiban masing-masing pihak. Namun seringkali, perjanjian Kontrak Eksklusif tersebut tidak seimbang dan tidak memenjuhi asas proporsionalitas di dalam perjanjian. Ketidakseimbangan pengaturan mengenai hak dan kewajiban tersebut dapat merugikan salah satu pihak pada saat pelaksanaannya apabila terjadi ketidakseimbangan. Bentuk penelitian yang digunakan dalam penelitian ini adalah metode penelitian yuridis normatif dan juga merupakan penelitian deskriptif yang bertujuan untuk menggambarkan permasalahan Kontrak Eksklusif. Melalui penelitian ini, penulis menganalisa bagaimana isi daripada pasal-pasal di dalam perjanjian Kontrak Eksklusif, apakah telah memenuhi syarat-syarat sahnya suatu perjanjian menurut pasal 1320 KUH Perdata. Selain itu, penulis juga menganalisa mengenai keseimbangan hak dan kewajiban di dalam perjanjian Kontrak Eksklusif, apakah telah sesuai dengan asas proporsionalitas atau tidak.

---

ABSTRACTStudy discusses the Exclusive Contract agreement between social media influencers and advertising companies in the advertising world in Indonesia. The agreement made between the two parties aims to regulate the rights and obligations of each party. But often, the Exclusive Contract agreement is not balanced and does not comply with the principle of proportionality in the agreement. Regulatory imbalances regarding these rights and obligations can be detrimental to one party during implementation if there is an imbalance. The form of research used in this study is a normative juridical research method and also a descriptive study that aims to describe the problem of Exclusive Contract agreement, whether they have fulfilled the legal requirements of an agreement according to article 1320 of the Civil Code. In addition, the author also analyzes the balance of rights and obligations in the Exclusive Contract agreement, whether it is in accordance with the principle of proportionality or not."

"Tesis ini membahas citra seorang influencer media sosial yang dijadikan sebagai referensi gaya hidup konsumsi di kalangan pengikutnya dalam konteks studi kasus beauty influencer Berlian Salim, dimana ia merupakan bagian dari kelompok referensi yang masuk dalam kategori influencer menengah (mid-influencer), dimana memiliki jumlah pengikut sekitar lebih dari 290 ribu orang dan cukup dekat dengan pengikutnya, sehingga masih memungkinkan untuk berinteraksi atau merespon para pengikutnya, sehingga dianggap kredibel dan relatable antara image yang ditampilakan dengan produk yang di endorse. Penelitian ini adalah penelitian kualitatif dengan menggunakan studi kasus. Peneliti menggunakan teori budaya konsumer, Hasil penelitian ini menyatakan bahwa produser sebagai bentuk kapitalis menggunakan citra (image) yang melekat pada influencer media sosial untuk memanipulasi simbol dan makna dari suatu produk. Produk yang di endorse memediasi citra reference yang sangat kuat, sehingga mempengaruhi pengikut dalam pemaknaan produk tersebut, dimana pengikut membayangkan diri mereka menjadi sama dengan citra yang ditampilkan influencer media sosial ketika mereka mengkonsumsi serangkaian produk yang sama dengan influencer media sosial tersebut (Berlian Salim).

---

This thesis discusses the image of an influencer of social media which is used as a reference for consumption lifestyles among followers in the context of Berlian Salim's beauty influencer case study, where it is part of a reference group included in the mid-influencer category, which has a number of followers around more than 290 thousand people and quite close to their followers, so it is still possible to interact or respond to their followers, so that it is considered credible and relatable between images displayed with endorsed products. This research is a qualitative study using case studies. The researcher uses the theory of consumer culture. The results of this study state that the producer as a capitalist form uses the image that is attached to social media influencers to manipulate the symbols and meanings of a product. Endorsed products mediate a very strong reference image, affecting followers in the meaning of the product, where followers imagine themselves to be the same as the image displayed by social media influencers when they consume the same series of products as the social media influencer (Berlian Salim)."

"Ilmu Data adalah irisan dari matematika dan statistika, komputer, serta keahlian domain. Dalam beberapa tahun terakhir inovasi pada bidang ilmu data berkembang sangat pesat, seperti Artificial Intelligence (AI) yang telah banyak membantu kehidupan manusia. Deep Learning (DL) sebagai bagian dari AI merupakan pengembangan dari salah satu model machine learning yaitu neural network. Dengan banyaknya jumlah lapisan neural network, model deep learning mampu melakukan proses ekstrasi fitur dan klasifikasi dalam satu arsitektur. Model ini telah terbukti mengungguli teknik state-of-the-art machine learning di beberapa bidang seperti pengenalan pola, suara, citra, dan klasifikasi teks. Model deep learning telah melampaui pendekatan berbasis AI dalam berbagai tugas klasifikasi teks, termasuk analisis sentimen. Data teks dapat berasal dari berbagai sumber, seperti sumber dari media sosial. Analisis sentimen atau opinion mining merupakan salah satu studi komputasi yang menganalisis opini dan emosi yang diekspresikan pada teks. Pada penelitian ini analisis peforma machine learning dilakukan pada metode deep learning berbasis representasi data BERT dengan metode CNN dan LSTM serta metode hybrid deep learning CNN-LSTM dan LSTM-CNN. Implementasi model menggunakan data komentar youtube pada video politik dengan topik terkait Pilpres 2024, kemudian evaluasi peforma dilakukan menggunakan confusion metric berupa akurasi, presisi, dan recall.

---

Data Science is the intersection of mathematics and statistics, computing, and a domain of expertise. In recent years innovation in the field of data science has developed very rapidly, such as Artificial Intelligence (AI) which helped a lot in human life. Deep Learning (DL) as part of AI is the development of one of the machine learning models, namely neural network. With the large number of neural network layers, deep learning models are capable of performing feature extraction and classification processes in a single architecture. This model has proven to outperform state-of-the-art machine learning techniques in areas such as pattern recognition, speech, imagery, and text classification. Deep learning models have gone beyond AI-based approaches in a variety of text classification task, including sentiment analysis. Text data can come from various sources, such as source from social media. Sentiment analysis or opinion mining is a computational study that analyze opinions and emotions expressed in text. In this research, machine learning performance analysis is carried out on a deep learning method based on BERT data representation with the CNN and LSTM and hybrid deep learning CNN-LSTM and LSTM-CNN method. The implementation of the model uses YouTube commentary data on political videos related to the 2024 Indonesia presidential election, then performance analysis is carried out using confusion metrics in the form of accuracy, precision, and recall."