Hasil Pencarian  ::  Simpan CSV :: Kembali

"Rohingya merupakan etnis minoritas yang hingga saat ini masih menghadapi penganiayaan dan diskriminasi di negara Myanmar sehingga harus melarikan diri ke negara tetangga, termasuk Indonesia. Akan tetapi, polemik terkait isu keberadaan pengungsi Rohigya di Indonesia masih menunjukkan adanya perbedaan pendapat antara kelompok yang mendukung dan menentang, serta pendapat atau opini tersebut dapat berubah setiap tahunnya. Untuk itu, penelitian ini bertujuan untuk mengetahui dinamika opini publik Indonesia terkait Rohingya dari tahun 2015-2023 melalui Twitter, serta mengetahui topik-topik yang sering dibicarakan tiap tahunnya. Penelitian ini membandingkan akurasi antara leksikon InSet dengan pelabelan manual sebagai pengembangan dataset dan juga membandingkan antara metode klasifikasi menggunakan algoritma traditional machine learning (NB, SVM, LR, dan DT) dengan algoritma deep learning (LSTM, GRU, LSTM-GRU, dan GRU-LSTM). Untuk pemodelan topik, penelitian ini menggunakan algoritma LDA. Hasil penelitian menunjukkan bahwa akurasi leksikon InSet sebesar 44,64%, sehingga pelabelan dengan leksikon InSet belum dapat menggantikan pelabelan manual. Adapun performa klasifikasi terbaik adalah dengan algoritma traditional machine learning LR yang memiliki akurasi sebesar 0,620 dan f1-score sebesar 0.622. Visualisasi time series sentimen menunjukkan pada tahun 2015 - 2016 sentimen positif lebih banyak dibandingkan sentimen negatif dan netral, kemudian pada tahun 2017 – 2020 sentimen netral dan negatif hampir sama, sedangkan jumlah sentimen positif semakin menurun. Selanjutnya tahun 2021 – 2023, jumlah sentimen negatif naik signifikan dibanding sentimen positif yang terus turun. Adapun topik-topik yang sering dibicarakan untuk sentimen positif adalah adanya dukungan masyarakat Indonesia kepada Rohingya dalam memberikan bantuan dan tempat perlindungan, sedangkan untuk topik negatif terkait adanya kekhawatiran akan dampak sosial, ekonomi, serta keamanan yang mungkin ditimbulkan oleh kehadiran pengungsi Rohingya.

---

The Rohingya are an ethnic minority who currently still face persecution and discrimination in Myanmar, so they have to flee to neighboring countries, including Indonesia. However, the polemic regarding the issue of the existence of Rohigya refugees in Indonesia still shows that there are differences of opinion between groups who support and oppose, and these opinions can change every year. For this reason, this research aims to determine the dynamics of Indonesian public opinion regarding the Rohingya from 2015-2023 via Twitter, as well as finding out the topics that are often discussed each year. This research compares the accuracy of the InSet lexicon with manual labeling as a dataset development. Apart from that, this research also compares classification methods using traditional machine learning algorithms (NB, SVM, LR, and DT) and deep learning algorithms (LSTM, GRU, LSTM-GRU, and GRU-LSTM). For topic modeling, this research uses the LDA algorithm. The research results show that the accuracy of the InSet lexicon is 44.64%, so that labeling with the InSet lexicon cannot replace manual labeling. The best classification performance is with the traditional machine learning LR algorithm which has an accuracy of 0.620 and an f1-score of 0.622. Time series visualization of sentiment shows that in 2015 - 2016 there were more positive sentiments than negative and neutral sentiments, then in 2017 - 2020 neutral and negative sentiments were almost the same, while the number of positive sentiments decreased. Furthermore, in 2021 – 2023, the number of negative sentiments will increase significantly compared to positive sentiment which continues to fall. The topics that are often discussed for positive sentiment are the Indonesian people's support for the Rohingya in providing assistance and shelter, while the negative topics are related to concerns about the social, economic and security impacts that may be caused by the presence of Rohingya refugees."

"ABSTRAKPerkembangan Internet di Indonesia cukup pesat, hal ini ditandai dengan meningkatnya penggunaan jejaring sosial, khususnya Twitter. Untuk mengetahui pandangan masyarakat terhadap suatu pemerintahan dapat digunakan analisis sentimen menggunakan data Twitter. Penelitian ini melakukan analisis sentimen terhadap pemerintahan Jokowi dalam bidang politik, ekonomi dan hukum. Metode untuk mengklasifikasikan sentimen pada tweet berdasarkan kamus leksikon. Data twitter dikumpulkan selama satu bulan dari tanggal 1 sampai 31 Oktober 2015 berjumlah 6489, 3967 dan 8018 untuk bidang politik, ekonomi dan hukum. Pengklasifikasian twitter menjadi tiga kelompok, positif, negatif dan netral. Secara umum hasil uji coba menunjukkan bahwa sebagian besar data twitter diklasifikasikan sebagai netral. Jika dilihat hanya sentimen positif dan sentimen negatif maka untuk bidang politik dan ekonomi sentimen positif lebih tinggi, sedangkan untuk bidang hukum sentimen negatif lebih tinggi.

---

ABSTRACT

The development of the Internet in Indonesia is quite rapid, it is marked by the increasing use of social networks, especially Twitter. To find out the public?s view of a government may use sentiment analysis using Twitter data. This research analyzes citizen sentiment to Indonesian government in the fields of politics, economics and law. The method to classify sentiment in a tweet based on lexicon of those fields. We collect data Twitter during one month in October 2015, the number of data are 6489, 3967 and 8018 for the fields of politics, economics and law, respectively. We classify the data into three groups: positive, negative and neutral. In general, results of experiments showed that most of the data twitter classified as neutral. When only include positive and negative sentiment, there is higher positive sentiment on politics and economic fields, while negative sentiment higher for the laws field."

"Analisis sentimen adalah studi komputasi yang bertugas mengelompokkan sentimen atau opini dari teks yang ada dalam dokumen, kalimat, atau pendapat ke kelas sentimen positif, negatif, atau netral. Terdapat banyak model deep learning yang terkenal untuk analisis sentimen, dua di antaranya adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), yang termasuk dalam Recurrent Neural Network (RNN). Bidirectional Gated Recurrent Unit (BiGRU) merupakan bagian dari Bidirectional Recurrent Neural Network (BiRNN) yang dapat bekerja secara dua arah dan memungkinkan untuk menangkap pola yang mungkin diabaikan oleh GRU. Untuk meningkatkan kinerja model menjadi lebih baik, beberapa peneliti mencoba menerapkan model hybrid dengan menggabungkan dua atau lebih model deep learning dasar. CNN memiliki keunggulan dalam mendapatkan fitur terpenting, sedangkan BiGRU dapat merepresentasikan kata dengan memperhatikan urutan dengan dua arah. Kedua model tersebut dapat digabungkan menjadi model CNN-BiGRU dan BiGRU-CNN. Implementasi kedua model dilakukan untuk data opini yang diambil dari Twitter mengenai tiga dompet digital, yaitu Gopay, OVO, dan ShopeePay. Hasil penelitian didapat bahwa kedua model memiliki kinerja yang berbeda untuk setiap dataset. Kemudian, didapat bahwa kedua model tersebut memiliki nilai akurasi dan f1 score yang tidak lebih tinggi dibandingkan model dasarnya.

---

Sentiment analysis is a computational study that is used to classify sentiments or opinions from texts in documents, sentences, or opinions into positive, negative, or neutral sentiment classes. There are many well-known deep learning models for sentiment analysis, two of which are the Convolutional Neural Network (CNN) and the Gated Recurrent Unit (GRU), which are included in the Recurrent Neural Network (RNN). The Bidirectional Gated Recurrent Unit (BiGRU) is part of the Bidirectional Recurrent Neural Network (BiRNN) which can work in both directions and allows for capturing patterns that the GRU might ignore. To improve model performance, some researchers are trying to implement a hybrid model by combining two or more basic deep learning models. CNN has the advantage of getting the most important features, while BiGRU can represent words by paying attention to the order in two directions. The two models can be combined into CNNBiGRU and BiGRU-CNN models. The implementation of the two models is used for opinion data taken from Twitter regarding three digital wallets, namely Gopay, OVO, and ShopeePay. The results showed that the two models have different performances for each dataset. Then, it was found that both models have an accuracy value and an f1 score that is not higher than the basic model."

"ABSTRAKSkripsi ini bertujuan untuk mengetahui kepuasan pelanggan layanan data operator CDMA di Indonesia dengan menggunakan pesan tweet sebagai data kepuasan pelanggan real time. Data tersebut diolah menggunakan text mining dan sentiment analysis dengan membuat model klasifikasi teks. Tingkat akurasi model yang dibuat untuk memprediksi sentimen dari pesan tweet mencapai 80 %. Hasil penelitian menunjukkan bahwa pelanggan data operator CDMA di Indonesia baik secara umum maupun pada masing-masing operator cenderung tidak puas dengan layanan data yang diberikan. Secara umum kriteria kemudahan koneksi paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA di Indonesia. Sedangkan kriteria kemudahan koneksi paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA 1. Kemudian kriteria kemudahan koneksi dan kehandalan jaringan paling mempengaruhi ketidakpuasan pelanggan layanan data operator CDMA 2.

---

ABSTRACTThis thesis aims to gain insight of customer satisfaction of Indonesian CDMA data services operators by using tweets as real time customer satisfaction data. The data is processed using text mining and sentiment analysis by creating text classification model. The model accuracy to predict sentiment of a tweet achieve 80%. The results showed that Indonesia CDMA data subcribers in general or to individual operators tend to not satisfied with the service provided. Connection easiness criteria most influencing customer dissatisfaction of Indonesia CDMA data service operators in general. While, the connection easiness criteria most influencing customer dissatisfaction of CDMA data service operator 1. Then, Connection easiness and network reliability criteria most influencing customer dissatisfaction of CDMA data service operator 2."

"ABSTRAKEkuitas merek merupakan salah satu intangible asset yang dapat meningkatkan daya tarik suatu merek. Menyadari hal tersebut, banyak perusahaan yang berlomba-lomba dalam meningkatkan ekuitas merek yang dimiliki. Beberapa penghargaan pun digelar secara rutin untuk mengetahui jajaran merek dengan ekuitas tertinggi, yang diukur dengan menggunakan metode survei. Meskipun sejauh ini ekuitas merek dapat diukur dengan baik, namun penggunaan metode survei memiliki beberapa kekurangan dari sisi akurasi, efisiensi dan ekonomis. Dengan maraknya penggunaan media sosial, secara khusus Twitter, menjadikannya sebagai media yang kaya akan informasi dan tepat untuk penerapan query-based survey. Oleh karena itu, Penelitian ini bertujuan untuk menguji potensi pemanfaatan Twitter sebagai alternatif dalam pengukuran tingkat ekuitas merek. Penelitian dilakukan dengan pendekatan text mining, sedangkan proses pengolahan data dilakukan dengan menggunakan model CRISP-DM. Proses scraping dilakukan untuk mengumpulkan data Twitter pada 1 Januari 2015 hingga 31 Desember 2018, untuk mengukur ekuitas merek pada tahun 2016 hingga 2019, dengan data dari Top Brand Index sebagai ground truth data. Penelitian ini menggunakan dimensi brand awareness, brand loyalty, perceived quality, dan brand association yang menghasilkan 15 kemungkinan kombinasi dimensi untuk mengukur tingkat ekuitas dari 54 merek dalam 7 kategori pada sektor jasa. Hasil penelitian ini menunjukan bahwa penggunaan data media sosial Twitter dapat digunakan untuk mengukur tingkat ekuitas merek, dengan tingkat kemiripan sebesar 70.57%. Selain itu, kombinasi dari brand awareness, brand loyalty dan perceived quality terbukti sebagai dimensi yang memberikan hasil terbaik dalam pengukuran tingkat ekuitas merek.

---

ABSTRACT

Brand equity is one of the intangible assets that can increase the attractiveness of a brand. Therefore, many brands are attempted to increase their brand equity level. Several award were conducted routinely to find out the best brands by using the survey method. Although so far brand equity can be measured properly using survey method, it has several disadvantages in terms of accuracy, efficiency and economics. With the widespread use of social media, specifically Twitter, it becomes a media that is rich in information and has the potential to be used as a query-based survey. Therefore, this study aims to examine the potential utilization of Twitter as an alternative methods in measuring brand equity levels. The research was conducted using text mining, while the data processing was carried out using the CRISP-DM model. Scraping process is carried out to collect Twitter data from January 1, 2015 to December 31, 2018, to measure brand equity in 2016 until 2019, with data from the Top Brand Index as ground truth data. This study uses the dimensions of brand awareness, brand loyalty, perceived quality, and brand association which produces 15 possible combinations to measure the equity level of 54 selected brands in 7 categories from the service sector. The results of this study indicate that the use of Twitter data can be used to measure brand equity with 70.57% of similarity level. Combination of brand awareness, brand loyalty and perceived quality dimension also proven as the most accurate dimensions to be used to measure the brand equity level."

"ABSTRACT

In recent years the digital technology has transformed rapidly, allowing social media to become an important place for people for people to express their thoughts and opinion on any topic that they want. In this paper we present analysis of twitter data regarding civic satisfaction and opinion of public service in Indonesia."

"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."

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

---

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

"Analisis sentimen terhadap opini publik di Twitter dapat memberikan wawasan yang berharga dalam memahami dukungan dan pemikiran masyarakat terkait calon presiden dan isu-isu terkait Pilpres 2024. Penelitian ini bertujuan untuk mengembangkan sistem analisis sentimen terhadap opini publik tentang Pilpres Indonesia 2024 yang tersebar di media sosial Twitter dalam bahasa Indonesia. Algoritma yang digunakan dalam pengembangan sistem tersebut adalah Naïve Bayes, sebuah algoritma klasifikasi yang telah terbukti efektif dalam analisis sentimen. Data yang digunakan dalam penelitian ini adalah kumpulan tweet atau cuitan yang diperoleh dari Twitter dengan menggunakan teknik web scraping. Persentasi Akurasi pada uji coba setiap skenario yang dilakukan mendapatkan hasil terbaik dengan nilai 81,18% untuk Skenario 1, 72,58% untuk Skenario 2, 65,05% untuk Skenario 3, dan 80,11% untuk Skenario 4. Hasil evaluasi model sistem yang dikembangkan terhadap klasifikasi sebenarnya menunjukkan bahwa analisis sentimen menggunakan algoritma Naïve Bayes dapat memberikan hasil yang baik tentang sentimen opini publik terkait Pilpres Indonesia 2024 di media sosial Twitter. Pengembangan sistem yang dikerjakan memberikan hasil model yang dapat melakukan analisis sentimen secara mandiri dengan akurasi yang tinggi terhadap opini publik terkait Pilpres Indonesia 2024 dengan nilai rata-rata 81,18%. Hasil analisis sentimen ini dapat membantu pihak-pihak terkait, termasuk calon presiden dan tim kampanye mereka, untuk memahami sejauh mana opini publik mendukung atau menentang mereka.

---

Sentiment analysis of public opinion on Twitter can provide valuable insight in understanding public support and thoughts regarding presidential candidates and issues related to the 2024 presidential election. This research aims to develop a sentiment analysis system for public opinion about the 2024 Indonesian Presidential Election shared on Twitter social media. in Indonesian. The algorithm used in developing the system is Naïve Bayes, a classification algorithm that has been proven effective in sentiment analysis. The data used in this research is a collection of tweets obtained from Twitter using web scraping techniques. The percentage of accuracy in testing each scenario carried out obtained the best results with a value of 81.18% for Scenario 1, 72.58% for Scenario 2, 65.05% for Scenario 3, and 80.11% for Scenario 4. Model evaluation results system developed for classification actually shows that sentiment analysis using the Naïve Bayes algorithm can provide good results regarding public opinion sentiment regarding the 2024 Indonesian Presidential Election on Twitter social media. The system development carried out provides model results that can carry out sentiment analysis independently with high accuracy regarding public opinion regarding the 2024 Indonesian Presidential Election. The results of this sentiment analysis can help related parties, including presidential candidates and their campaign teams, to understand the extent of opinion. they. society supports or opposes them."

"ASEAN Intergovernmental Commission on Human Rights (AICHR) dibentuk dengan tujuan untuk mempromosikan dan melindungi HAM yang ada di ASEAN. Akan tetapi dalam realitanya AICHR masih belum memenuhi tujuan tersebut. Salah satu contoh yang dapat dilihat adalah dalam kasus Krisis Rohingya yang terjadi pada tahun 2017-2021. Dalam rentan tahun tersebut lebih dari 700,000 pengungsi Rohingya melarikan diri ke negara tetangga. Namun AICHR belum memberikan tanggapan hingga sampai saat ini. Melihat kondisi tersebut, tulisan ini mempertanyakan mengapa AICHR tidak menanggapi Krisis Rohingya tahun 2017-2021. Dalam menjawab pertanyaan tersebut penulis menggunakan studi pustaka dan wawancara sebagai metode pengumpulan data. Hasil dari penelitian ini menunjukkan bahwa ada dua faktor utama yang mempengaruhi sikap AICHR yakni faktor institusional dan faktor kepentingan negara anggota. Kedua faktor saling berhubungan sehingga tidak dapat dipisahkan satu sama lain. Kedua faktor itulah yang menyebabkan pembahasan Krisis Rohingya di AICHR tidak menemui titik terang.

---

ASEAN Intergovernmental Commission on Human Rights (AICHR) was established with the purpose to promote and protect human rights in ASEAN. However, in reality, AICHR hasn’t fulfill that purpose. One of the examples is in the case of Rohingya Crisis in 2017-2021. In that vulnerable year more than 700,000 refugees fled to neighboring countries. However, AICHR has not gave any responses. Seeing these conditions, this research questioned why AICHR did not respond to the 2017-2021 Rohingya Crisis. In answering the question, this research uses literature study and interviews as data collection method. The results of this research indicate that there are two main factors that influence the attitude of AICHR, namely institutional factors and the interests of member states. These two factors are interrelated and cannot be separated from each other. Those two factors made a deadlock discussion in AICHR."