Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Posisi dan citra merek merupakan hal yang sangat penting dan krusial dalam strategi pemasaran. Posisi dan citra merek membentuk asosiasi merek yang kuat kepada konsumen yang ditargetkan dan digunakan untuk membedakan suatu merek dengan pesaingnya Perusahaan harus memahami penilaian konsumen terhadap produk mereka sehingga dapat melakukan strategi pemasaran yang baik untuk meningkatkan posisi mereknya di publik. Pada saat pandemi Covid terutama pada tahun 2021 terdapat fenomena yang unik yaitu permintaan Susu Beruang (Bear Brand) lebih besar dibandingkan pemimpin pasarnya yaitu Susu Ultra meskipun Susu Ultra harganya lebih murah dibandingkan Susu Beruang. Fenomena tersebut ramai didiskusikan di dalam media sosial terutama Twitter mengenai opini dari konsumen terutama dalam pembelian produk susu cair dalam kemasan. Penelitian ini bertujuan untuk mengetahui apakah ulasan teks online dapat memberikan gambaran tentang posisi dan citra merek Susu Beruang menggunakan Analisis sentimen LIWC (Linguistic Inquiry and Word Count) dan PCA (Principal Component Analysis). Kontribusi utama dari penelitian ini adalah penggunaan analisis sentimen berbasis program LIWC untuk memproses ulasan online di twitter yang nantinya akan memberi gambaran posisi merek di PCA melalui perceptual map yang memungkinkan memberikan gambaran posisi merek Susu Beruang terhadap Susu Ultra sebagai kompetitor utamanya. Berdasarkan analisis penulis dapat disimpulkan bahwa LIWC mampu memberikan gambaran terkait citra merek dan posisi merek Susu Beruang dan Susu Ultra. Citra merek didapat dari variabel-variabel yang menggambarkan psikologis konsumen saat menggunakan atau membayangkan merek penelitian. Posisi didapatkan melalui pengolahan PCA yang menggambarkan perbedaan antara variabel yang dominan dalam kedua merek tersebut.

---

Position and brand image are very important and crucial in marketing strategy. Brand position and image form strong brand associations with targeted consumers and are used to differentiate a brand from its competitors. Companies must understand consumer ratings of their products so that they can carry out good marketing strategies to improve their brand position in society. During the Covid-19 pandemic, especially in 2021, there was a unique phenomenon, whereby the demand for Bear Brand Milk was greater than the market leader, namely Ultra milk, while Ultra milk was even cheaper than the Bear Brand milk. This phenomenon is widely discussed on social media, especially Twitter regarding opinions from consumers, especially in purchasing packaged liquid milk products. This study aims to determine whether online text reviews can provide an overview of the position and brand image of bear milk using LIWC (Linguistic Inquiry and Word Count) sentiment analysis and PCA (Principal Component Analysis). The main contribution of this study is the use of sentiment analysis based on the LIWC program to process online reviews on Twitter which will later provide an overview of the brand's position in the PCA through a perceptual map that allows providing an overview of the position of the Bear Brand milk brand against Ultra milk as its main competitor. Based on our analysis, we can conclude that LIWC can provide an overview regarding the brand image and brand positioning of Bear milk and Ultra milk. Brand image is obtained from variables that describe psychological variables when using or imagining the focal brands. Brand Position through PCA analysis describes the difference in gain between the dominant variables in the two brands."

"Dalam beberapa tahun terakhir, kesadaran akan keberlanjutan lingkungan telah merajalela di seluruh dunia, termasuk di Indonesia. Semakin meningkatnya keprihatinan akan perubahan iklim serta dampak negatif yang diakibatkan oleh polusi udara. Pencemaran udara telah menjadi salah satu isu lingkungan terkemuka di Indonesia. Terutama di kota-kota besar seperti Jakarta, polusi udara menjadi permasalahan serius yang memberikan dampak buruk pada kualitas hidup masyarakat. Sejak tahun 2019, pemerintah Indonesia telah mengakui eskalasi permasalahan ini dengan langkah strategis, salah satunya adalah mendorong perkembangan kendaraan listrik dalam negeri melalui Peraturan Presiden No. 55/2019 pada 12 Agustus 2019. Meski demikian, hingga kuartal pertama tahun 2023, penggunaan kendaraan listrik masih belum mencapai target yang diharapkan, terlihat dari rendahnya persentase penjualan mobil listrik yang hanya mencapai 4,8% dari total target. Perbedaan pandangan masyarakat Indonesia dalam mengadopsi kendaraan listrik serta upaya pemerintah untuk mendorong pengembangan kendaraan listrik dalam negeri menjadi fokus penelitian ini. Tujuan dari penelitian ini adalah untuk mengembangkan model analisis sentimen dan pemodelan topik yang dapat mengeksplorasi data media sosial Twitter. Dengan Indonesia menempati peringkat kelima terbesar dalam jumlah pengguna aktif di dunia, terutama didominasi oleh kelompok usia 25-34 tahun sebanyak 18,45 juta pengguna, dataset yang digunakan dalam penelitian ini terdiri dari 8630 data dari Twitter dengan kata kunci "kendaraan listrik," "mobil listrik," dan "motor listrik" selama periode 1 Januari sampai 30 Juni 2022. Penelitian ini mengeksplorasi berbagai algoritma klasifikasi, seperti CountVectorizer, TFIDF, dan Doc2Vec, serta menggunakan metode oversampling balanced class SMOTE. Dari hasil penelitian, algoritma klasifikasi yang paling optimal adalah Long Short Term-Memory (LSTM) dengan fitur Count Vectorizer, TF-IDF, Doc2Vec, dan metode oversampling balanced class SMOTE, mencapai akurasi sebesar 94,92%, presisi 94,76%, recall 94,92%, dan F1 score 94,76%. Hasil pemodelan topik menggunakan Latent Dirichlet Allocation menunjukkan bahwa pada kategori ‘negatif’, banyaknya ekspresi kekecewaan dan ketidaksetujuan terhadap subsidi kendaraan listrik yang tidak tepat sasaran, kekhawatiran akan kondisi kendaraan listrik yang mogok di jalan, dan keluhan akan kurangnya ketersediaan infrastruktur seperti pengisian daya yang tidak merata, tempat perawatan, dan perbaikan. Sementara pada kategori ‘positif’, terdapat beragam pandangan mulai dari dampak subsidi yang meningkatkan minat masyarakat dalam pembelian kendaraan listrik hingga kontribusinya dalam menghasilkan udara yang lebih bersih. Selain itu, desain kendaraan listrik yang dinilai bagus oleh sebagian masyarakat dan potensi penghematan miliaran rupiah setiap tahun dari penggunaan kendaraan konvensional menjadi poin penting dalam penelitian ini.

---

In recent years, global environmental sustainability awareness has proliferated, including in Indonesia. The escalating concern about climate change and the adverse effects caused by air pollution have heightened. Air pollution has become a prominent environmental issue in Indonesia, particularly in major cities like Jakarta, severely impacting the community's quality of life. Since 2019, the Indonesian government has acknowledged this escalating issue through strategic measures, including promoting the development of domestic electric vehicles via Presidential Regulation No. 55/2019 on August 12, 2019. However, as of the first quarter of 2023, the usage of electric vehicles hasn't met the expected target, evident in the low percentage of electric car sales, reaching only 4.8% of the total target. The differing perspectives of Indonesian society in adopting electric vehicles and the government's efforts to boost domestic electric vehicle development constitute the focus of this research. The objective is to develop a sentiment analysis model and topic modeling to explore Twitter social media data. With Indonesia ranking fifth globally in active users, notably dominated by the 25-34 age group with 18.45 million users, the dataset comprises 8630 Twitter data using keywords "electric vehicles," "electric cars," and "electric motorcycles" from January 1 to June 30, 2022. The research explores various classification algorithms like CountVectorizer, TFIDF, Doc2Vec, and uses the oversampling balanced class SMOTE method. The optimal classification algorithm discovered was the Long Short Term-Memory (LSTM) with Count Vectorizer, TF-IDF, Doc2Vec features, and the SMOTE method, achieving 94.92% accuracy, 94.76% precision, 94.92% recall, and a 94.76% F1 score. The Latent Dirichlet Allocation topic modeling revealed in the 'negative' category expressions of disappointment and disagreement regarding mis-targeted electric vehicle subsidies, concerns about electric vehicle breakdowns, and complaints about in adequate infrastructure. In the 'positive' category, diverse views ranged from subsidies boosting interest in electric vehicle purchases to their contribution to cleaner air. Additionally, the appealing design of electric vehicles and the potential for billions of rupiahs in annual savings from conventional vehicle use were pivotal points in this study."

"Kondisi pandemi saat ini membuat proses dan kegiatan belajar mengajar di Indonesia harus dilakukan secara daring menggunakan media digital. Proses pembelajaran secara daring ini berlangsung pada skala yang memang belum pernah terukur dan teruji sebelumnya. Kesenjangan akses pendidikan pun terjadi karena tidak setiap daerah di indonesia memiliki sarana dan prasarana serta pengetahuan akan teknologi yang memadai untuk keberlangsungan proses pembelajaran secara daring. Analisis sentimen terhadap pembelajan daring melalui twitter dapat membantu pemerintah dalam hal mengevaluasi kebijakan dan memperbaiki kualitas kebijakan-kebijakan yang tengah diterapkan saat ini.Desain penelitian yang digunakan pada penelitian ini adalah Experimental research, dimana analisis sentimen yang dilakukan pada penelitian ini menggunakan dua metode berbeda, yaitu metode deep learning (CNN) dan metode tradisional (naïve bayes). Klasifikasi sentimen dibagi menjadi 3 kelas yaitu negatif, positif, dan netral. Selain itu model juga dibangun untuk mendeteksi tweets yang bersifat tidak relevan terhadap konteks penelitian terhadap sentimen pembelajaran daring. Hasil analisis sentimen yang dibangun menggunakan model CNN yang memiliki akurasi 63,34%. Sedangkan model yang dibangun menggunakan metode naïve bayes memiliki akurasi 63%. Hasil Analisis sentimen masyarakat dari bulan april hingga oktober 2020, menunjukkan sentimen masyarakat yang cenderung negatif dibandingkan positif dan netral.Pemodelan topik dibangun menggunakan metode Latent Dirichlet Allocation (LDA) untuk menemukan isu dan topik yang menjadi perhatian masyarakat di sosial media twitter. Topik negatif yang didapatkan dari sentimen negatif terhadap pembelajaran daring antara lain berisi keluhan siswa mengenai tugas yang menumpuk, jaringan dan koneksi internet yang tidak stabil, dan keinginan untuk menjalani proses pembelajaran secara offline kembali. Sedangkan topik positif didapatkan dari sentimen positif terhadap pembelajaran daring yang secara garis besar berisi ungkapan kesenangan dan syukur atas kebijakan pemberian subsidi kuota internet gratis yang diberikan pemerintah untuk pelajar maupun mahasiswa.

---

The current pandemic condition makes several school and universities in Indonesia implements teaching and learning activities form distance or online using digital platform. This online learning process takes place on a scale that has never been measured and tested before. The disparity in access to education also occurs because not every region in Indonesia has adequate facilities, infrastructure, and technological knowledge for the continuity of the online learning process. Sentiment analysis on twitter towards the online learning, could assist the government in evaluating policies and improving the quality of policies currently being implemented.

The research design used in this study is experimental research, where the sentiment analysis uses two different methods, namely the deep learning method (CNN) and the traditional method (naïve Bayes). Sentiment classification is divided into 3 classes, namely negative, positive, and neutral. In addition, a model was also built to detect tweets that are irrelevant to the context of the research on online learning sentiment. The results of the sentiment analysis, were built using the CNN model, has an accuracy of 63.34%. Meanwhile, the model built using the naïve Bayes method has an accuracy of 63%. The results of the analysis of public sentiment from April to October 2020, on online learning process, show sentiments that tend to be negative compared to positive and neutral.

Topic modeling was built using the Latent Dirichlet Allocation (LDA) method to find issues and public concern on twitter. Negative topics obtained from negative sentiment towards online learning described as following: student complaints about piling up tasks, unstable network and internet connections, and the desire to undergo the offline learning process again. Meanwhile, positive topics, were obtained from positive sentiments towards online learning, mostly contained expressions of pleasure towards the government which has providing free internet quota subsidies for students."

"Adanya peristiwa selama tahapan penyelenggaraan pemilu 2024, menimbulkan berbedaan pandangan diantara para Ahli, akan potensi terciptanya persepsi buruktentang Pemilu 2024. Sehingga dibutuhkan pengukuran perbandingan sentimen untuk menindaklanjuti dan membuktikan pandangan tersebut. Di sisi lain media sosial hadir sebagai tempat yang memungkinkan penggunanya untuk mengeskpresikan opini yang dimiliki, termasuk opini tentang penyelenggaraan Pemilu. Besarnya adopsi media sosial di Indonesia, memungkinkannya digunakan sebagai sumber data dalam pengukuran perbandingan sentimen masyarakat terkait dengan Pemilu 2024. Namun dalam menganalisa data yang berasal dari media sosial membutuhkan sumber daya dan waktu yang tidak sedikit jika dilakukan secara manual, dikarenakan adanya karakterstik high velocity, high volume dan high variety yang dimiliki oleh data yang berasal dari media sosial. Text analytics dengan pendekatan machine learning telah banyak digunakan dan menjadi state-of-the-art cara yang mengatasi permasalahan tersebut. Penelitian ini mengkomparasikan algoritma deep learning dengan algoritma machine learning tradisional seperti SVM, random forest dan logistic regression, dalam upaya membangun model analisis sentimen yang dapat digunakan untuk mengukur perbandingan sentimen masyarakat terhadap Pemilu 2024. Teknik pemodelan topik Latent Dirichlet Allocation juga digunakan untuk mengidentifikasi topik pembicaraan yang tersembunyi di dalamnya. Hasil dari penelitian menunjukkan algoritma SVM dengan teknik vektorisasi TF-IDF unigram muncul sebagai algoritma dengan hasil kinerja prediksi terbaik dengan nilai f1-score 0.7890. Selain itu terdapat dinamika pergeseran dominasi sentimen mulai dari masa kampanye, masa tenang dan masa pemungutan sampai dengan masa rekapitulasi suara. Hasil penelitian ini diharapkan dapat memberikan informasi yang bernilai bagi para pemangku kepentingan seperti: Pengamat politik, Praktisi politik, Pemerintah dan Penyelenggara Pemilu.

---

The events occurring during the stages of the 2024 General Election have sparked differing opinions among experts regarding the potential for negative perceptions of the election. Consequently, there is a need to measure sentiment patterns to follow up on and substantiate these views. Meanwhile, social media serves as a platform that allows users to express their opinions, including those about the election. The widespread adoption of social media in Indonesia enables it to be used as a data source for measuring public sentiment patterns related to the 2024 General Election. Analyzing data from social media requires significant resources and time if done manually, due to the high velocity, high volume, and high variety characteristics of social media data. Text analytics with a machine learning approach has been extensively used and has become the state-of-the-art method for addressing these challenges. This study compares deep learning algorithms with traditional machine learning algorithms such as Support Vector Machine (SVM), Random Forest, and Logistic Regression in an effort to build a sentiment analysis model that can be used to measure public sentiment patterns toward the 2024 General Election. The Latent Dirichlet Allocation (LDA) topic modeling technique is also used to identify hidden discussion topics within the data. The results of the study indicate that the SVM algorithm with TF-IDF unigram vectorization technique emerged as the algorithm with the best predictive performance, achieving an f1-score of 0.7890. Meanwhile, the measurement of sentiment patterns showed dynamic shifts in sentiment from the campaign period, the quiet period, and the voting period up to the recapitulation period. The findings of this study are expected to provide valuable information for stakeholders such as political observers, political practitioners, the government, and election organizers."

"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."

"Media sosial kini tak hanya dimanfaatkan untuk kepentingan pribadi, tapi telah marak dipakai untuk kepentingan bisnis. Analisis sentimen merupakan penelitian komputasional dari ekspresi sentimen secara tekstual. Twitter adalah salah satu media sosial populer, keterbatasan karakter memberikan kesulitan tersendiri dalam menganalisis sentimen dibanding media sosial lainnya. Semua data yang dipakai dalam penelitian ini merupakan tweet yang disampaikan dalam Bahasa Indonesia. Hasil analisis sentimen di twitter memakai aplikasi yang ada menunjukkan tingkat akurasi yang kecil. Penelitian ini bertujuan untuk membandingkan metode pengklasifikasian sentimen yang lebih akurat antara 2 metode klasifikasi populer. Akurasi yang dihasilkan oleh Metoda SVM lebih bagus daripada Metode NBC.

---

Social media is now not used for personal purposes only, but also adopted for business purposes. Sentiment analysis is a computational research of sentiments expressed textually. Twitter is a popular social media in Indonesia, its character limitations make it more challenging to be analyzed than the other social media. All data used in this research is tweets delivered in Bahasa Indonesia. The results of sentiment analysis in twitter using existing applications show low accuracy. This research aims to compare the sentiment classification method that more accurately between two popular classification methods. Accuracy produced by the SVM is better than NBC."

"Komisi Pemberantasan Korupsi (KPK) memiliki kewenangan dalam melakukan pendaftaran dan pemeriksaan terhadap Laporan Harta Kekayaan Penyelenggara Negara (LHKPN). Pelaporan ini berfungsi untuk melakukan pengawasan kejujuran, integritas, dan deteksi kemungkinan adanya tindakan memperkaya diri secara melawan hukum oleh pejabat publik. Publikasi LHKPN sering menimbulkan prasangka negatif dan kecurigaan publik terhadap laporan harta kekayaan pejabat yang mengakibatkan kekhawatiran pejabat untuk melaporkan harta kekayaan secara lengkap dan benar. Persepsi ini menjadi kontraproduktif dengan upaya pencegahan korupsi yang dilakukan oleh KPK apabila tidak direspon dengan cepat. Penelitian ini bertujuan untuk membuat model analisis sentimen dan pemodelan topik yang dapat mengeksplorasi topik dari data media sosial Twitter. Indonesia memiliki jumlah pengguna aktif terbesar keenam di dunia dengan 15,7 juta pengguna yang didominasi kelompok usia 25-34 tahun. Dataset sejumlah 881 data diambil dari Twitter dengan kata kunci "lhkpn" dan "harta kekayaan pejabat" pada periode 1 Agustus sampai 5 November 2021. Penelitian ini mengekplorasi beberapa algoritma klasifikasi, representasi fitur unigram, bigram, dan trigram dengan CountVectorizer dan TFIDF, serta metode oversampling SMOTE. Algoritma klasifikasi dengan performa paling baik pada penelitian ini adalah Multilayer Perceptron dengan fitur unigram CountVectorizer dan metode oversampling dengan accuracy 76,60%, precision 78,19%, recall 76,60%, dan F1 score 76,95%. Hasil pemodelan topik menggunakan Latent Dirichlet Allocation pada kategori ‘negatif’ didominasi ekspresi kekecewaan dan kemarahan masyarakat terhadap meningkatnya harta kekayaan pejabat selama masa pandemi Covid-19 yang berbanding terbalik dengan meningkatnya utang negara dan kesulitan yang dihadapi masyarakat selama pandemi. Topik yang dihasilkan pada kategori ‘positif’ cukup beragam mulai dari aturan untuk melakukan pembuktian terbalik, usulan mengenai kewajiban pelaporan dan sanksi, permintaan untuk membuka laporan kekayaan kepada publik, serta pembahasan mengenai kewajaran penambahan harta kekayaan yang disebabkan oleh meningkatnya nilai aset tidak bergerak.

---

The Corruption Eradication Commission (KPK) has the authority to register and examine Public Officials Wealth Reports (LHKPN). This report serves to monitor honesty, integrity, and detect the possibility of illegal enrichment by public officials. Publication of LHKPN often creates negative prejudice and public suspicion of official wealth reports, which causes officials to worry about reporting assets completely and correctly. This perception is counterproductive to the efforts to prevent corruption carried out by the KPK if it is not responded to quickly. This study aims to create a sentiment analysis model and topic modelling that can explore topics from Twitter social media data. Indonesia has the sixth-largest number of active users in the world with 15.7 million users, dominated by the 25-34 year age group. A dataset of 881 data was taken from Twitter with the keywords "lhkpn" and "official assets" in the period August 1 to November 5, 2021. This study explores several classification algorithms, representation of unigram, bigram, and trigram features with CountVectorizer and TFIDF, as well as SMOTE oversampling methods. The classification algorithm with the best performance is the Multilayer Perceptron with the unigram CountVectorizer feature and the oversampling method with 76.60% accuracy, 78.19% precision, 76.60% recall, and 76.95% F1 score. The results of topic modelling using Latent Dirichlet Allocation in the 'negative' category are dominated by expressions of public disappointment and anger towards the increase in official wealth during the Covid-19 pandemic which is inversely proportional to the increase in state debt and the difficulties faced by the community during the pandemic. The topics generated in the 'positive' category are quite diverse, starting from the rules for conducting reverse verification, proposals on reporting obligations and sanctions, requests to disclose wealth reports to the public, as well as discussions on the reasonableness of adding to assets caused by the increase in the value of immovable assets."

"Perpustakaan merupakan institusi yang berperan memberikan informasi yang dikemas dalam berbagai bentuk media. Informasi yang disajikan oleh perpustakaan sangat dibutuhkan pemustaka untuk memenuhi kebutuhan informasinya. Maka dari itu, dibutuhkan layanan prima perpustakaan yang berguna untuk memenuhi kebutuhan pemustaka. Namun di tengah era pandemi, kegiatan fisik menjadi suatu hambatan karena adanya protokol kesehatan yang menyebabkan layanan beralih ke bentuk digital. Perpustakaan harus melakukan inovasi layanan, salah satunya adalah pemanfaatan konten media sosial untuk menjangkau pemustaka. Perpustakaan FK UI memanfaatkan konten media sosial ini sebagai bagian inovasi layanan. Untuk melakukan promosi dan memastikan informasi tersampaikan kepada pemustaka melalui media sosial baik di twitter maupun instagram, dibutuhkan manajemen konten yang tepat. Tujuan penelitian ini adalah untuk mengetahui bagaimana Perpustakaan FK UI mengelola konten di media sosial untuk promosi dan memenuhi kebutuhan informasi pemustaka. Hal tersebut dikarenakan konten yang disajikan melalui media sosial merupakan gambaran sebuah perpustakaan. Metode penelitian adalah metode kualitatif dengan bentuk deskriptif. Pengumpulan data dilakukan dengan wawancara melalui zoom dan observasi dengan memantau media sosial. Hasil penelitian menunjukkan, bahwa manajemen konten media sosial yang dilakukan oleh Perpustakaan FK UI lebih diterapkan di media sosial twitter dan instagram. Pustakawan mengelola konten dari tahun sebelumnya kemudian konten sudah dikerjakan dengan matang pada satu bulan sebelum konten tersebut dibagikan pada pemustaka. Manfaat yang diberikan oleh media sosial terhadap Perpustakaan FK UI seperti memudahkan pengguna dan pemustaka menjadikan media sosial sebagai komponen penting.

---

Libraries are institutions that play a role in providing information packaged in various forms of media. The information presented by the library is needed by users to meet their information needs. Therefore, it takes excellent library services that are useful to meet the needs of users. However, in the midst of the pandemic era, physical activity has become an obstacle due to health protocols that have caused services to switch to digital form. Libraries must innovate services, one of which is the use of social media content to reach users. The FK UI library utilizes this social media content as part of service innovation. To promote and ensure that information is conveyed to users through social media, both on Twitter and Instagram, proper content management is needed. The purpose of this study was to find out how the FK UI Library manages content on social media for promotion and meeting the information needs of users. This is because the content presented through social media is a picture of a library. The research method is a qualitative method with a descriptive form. Data collection is done by interviewing through zoom and observation by monitoring social media. The results showed that the management of social media content carried out by the FK UI Library was more applied to Twitter and Instagram social media. Librarians manage content from the previous year and then the content has been done carefully one month before the content is shared with users. The benefits provided by social media to the FK UI Library such as making it easier for users and users to make social media an important component."

"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."