Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dunia menghadapi ancaman pandemi Covid-19 pada akhir tahun 2019. Tanggapan terhadap situasi pandemi menimbulkan perubahan dalam cara bekerja dan memaksa sebagian besar pekerja non-esensial untuk beradaptasi dengan bekerja dari jarak jauh. Setelah penyebaran virus dan tingkat kematian akibat Covid-19 mulai menurun, organisasi dan perusahaan mulai memberlakukan kembali kebijakan WFO. Namun, kembalinya aktivitas bekerja secara normal tidak disambut baik oleh para pekerja. Sejumlah survei mengungkapkan bahwa banyak pekerja yang enggan kembali bekerja di kantor setelah beradaptasi dengan bekerja dari rumah selama dua tahun pandemi. Penelitian menggunakan experimental research untuk melakukan analisis sentimen dan pemodelan topik terhadap kebijakan WFO. Analisis sentimen dilakukan dengan membandingkan lima algoritma pembelajaran mesin, Naïve Bayes, Support Vector Machine, Decision Tree, Random Forest, dan Neural Networks. Sedangkan pemodelan topik menggunakan algoritma Latent Dirichlet Allocation. Penelitian menggunakan data dari Twitter yang diambil sejak bulan Januari 2022 hingga Mei 2023. Berdasarkan hasil eksperimen, algoritma Neural Networks dengan sampel data oversampling memberikan performa terbaik dalam memprediksi sentimen. Model menghasilkan nilai akurasi sebesar 75,61% dan f1-score 75,16%. Berdasarkan hasil penelitian, sentiment yang paling banyak diungkapkan di Twitter terkait kebijakan WFO adalah netral, disusul negatif, dan terakhir positif. Sedangkan dari hasil pemodelan topik, sentiment positif menghasilkan 3 topik, yaitu “keseruan WFO karena bertemu teman kantor”, “bekerja secara WFO meningkatkan fokus dan produktivitas”, serta “aktivitas jajan dan makan siang saat WFO”. Sentimen negatif 4 menghasilkan topik, di antaranya “kemacetan lalu lintas saat WFO”, “peningkatan biaya transport dan pengeluaran saat WFO”, “efek WFO terhadap kesehatan”, serta “kemalasan di pagi hari saat WFO”. Sedangkan sentimen netral menghasilkan 3 topik, yaitu “lowongan kerja hybrid working atau WFA”, “bekerja secara WFO”, dan “rutinintas WFO”.

---

The world faced the threat of the Covid-19 pandemic at the end of 2019. The response to the pandemic situation led to changes in the way of working and forced most non- essential workers to adapt to remote working. After the spread of the virus and the death rate due to Covid-19 began to decline, organizations and companies began to re-impose WFO policies. However, the return to normal work activities was not welcomed by workers. Several surveys reveal that many workers are reluctant to return to the office after adapting to working from home during the two years of the pandemic. The research uses experimental research to conduct sentiment analysis and topic modeling on WFO policies. Sentiment analysis is carried out by comparing five machine learning algorithms, Naïve Bayes, Support Vector Machine, Decision Tree, Random Forest, and Neural Networks. Meanwhile, topic modeling uses the Latent Dirichlet Allocation algorithm. The research uses data from Twitter taken from January 2022 to May 2023. Based on experimental results, the Neural Networks algorithm with oversampling data samples provides the best performance in predicting the sentiment. The model produces an accuracy value of 75.61% and an f1-score of 75.16%. Based on research results, the most expressed sentiment on Twitter regarding WFO policies is neutral, followed by negative, and then positive. Meanwhile, from the results of topic modeling, positive sentiment resulted in 3 topics, namely "the excitement of WFO because of meeting office friends", "working in WFO increases focus and productivity", and "lunch activities during WFO". Negative sentiment generated 4 topics, including "traffic jams during WFO", "increased transport costs and expenses during WFO", "effects of WFO on health", and "laziness in the morning during WFO". Meanwhile, neutral sentiment resulted in 3 topics, namely "hybrid working or WFA job vacancies", "working activities in the office", and "WFO routines"."

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

---

ABSTRACT

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

"Penggunaan internet sudah menjadi kebiasaan dan kebutuhan tersendiri di masa setelah diberlakukannya kegiatan bekerja secara hybrid dan juga kegiatan sekolah yang mulai kembali normal seperti sebelum pandemi covid-19. Berdasarkan data yang dirilis oleh Asosiasi Penyelenggara Jasa Internet Indonesia, penetrasi internet di Indonesia mencapai 77.02%, kemunculan beragam penyedia layanan internet di Indonesia dengan produk- yang bersaing, dipengaruhi juga dengan meningkatnya penggunaan internet. Belum adanya media ulasan resmi, mendorong masyarakat menggunakan media sosial untuk mengungkapkan ulasan terhadap layanan internet. Pada penelitian ini digunakan data media sosial Twitter untuk mendapatkan nilai sentimen terhadap layanan internet dengan membuat model klasifikasi menggunakan algoritma Naïve Bayes, Support Vector Machine, dan Decision Tree dan juga pengukuran nilai kepuasan pelanggan dan reputasi merek dagang berdasarkan dari analisis sentimen yang didapatkan. Didapatkan hasil analisis sentimen dengan algortima SVM memiliki hasil performa yang paling baik yaitu 75.36 %. Layanan internet Biznet, MNC Play, dan Iconnet mendapatkan nilai kepuasan pelanggan berada pada urutan pertama, kedua, dan ketiga, sedangkan untuk nilai reputasi merek dagang, penyedia layanan internet Biznet dan MNC Play mendapatkan urutan pertama dan kedua baik pada perhitungan hasil pelabelan manual maupun hasil prediksi. Perhitungan CSS dan NBR ini dapat dipertimbangkan oleh perusahaan untuk dijadikan referensi dalam meningkatkan layanannya, selain itu dapat digunakan oleh masyarakat sebagai bahan pertimbangan untuk memilih dan membandingkan penyedia layanan internet terbaik yang akan digunakan.

---

The use of the internet has become a habit and a necessity after the implementation of hybrid work and also school activities which have started return to normal like before the Covid-19 pandemic. Based on data released by the Association of Indonesian Internet Service Providers, internet penetration in Indonesia has reached 77.02%, the appearance of various internet service providers in Indonesia with competitive products is also influenced by the increasing use of the internet. There is no official review media, has encouraged the sociecty to use social media to express reviews of internet services. In this study, Twitter social media data is used to obtain sentiment analysis for internet services by creating a classification model using the Naïve Bayes algorithm, Support Vector Machine, and Decision Tree, and also to measure customer satisfaction and brand reputation score based on the sentiment analysis obtained. The results of sentiment analysis with the SVM algorithm have the best performance, with the accuracy 75.36%. Biznet, MNC Play, and Iconnet get first, second, and third place for customer satisfaction scores, while for net brand reputation scores, Biznet and MNC Play internet service providers get first and second place, for the calculation using manual labeling data or prediction data of classification model. The calculation of the CSS and NBR can be considered by the company as the reference to improve their services, besides that it can be used by the society as a consideration for choosing and comparing the best internet service providers to use."

"

Penulisan ini membahas pengaruh sentimen twitter terhadap mispricing pada perusahaan terdaftar di Indonesia periode tahun 2013-2017. Penulisan ini membandingkan beberapa metode yaitu Naïve Bayes, Support Vector Machine, dan Decision Tree untuk mendapatkan metode klasifikasi sentimen dengan akurasi tertinggi. Hasil yang didapat menunjukkan tingkat akurasi Decision Tree paling tinggi dibandingkan metode lainnya. Pengukuran mispricing menggunakan metode skoring dari Stambaugh, Yu dan Yuan (2012)untuk 9 anomali dengan strategi long/short. Hasil menunjukkan bahwa sentimen berpengaruh rendah dan signifikan terhadap returns saham di Indonesia. Strategi long-leg lebih menguntungkan ketika sentimen rendah atau negatif, dan strategi short-leg lebih menguntungkan ketika sentimen rendah atau positif.

---

This paper examines the impact of twitter sentiment on mispricing in Indonesia listed firms over period 2013-2017. This study also compares machine learning methods for sentiment classification based on Na ve Bayes, Support Vector Machine and Decision Tree algorithm. The results show that Decision Tree has the highest accuracy than other methods. To measure mispricing, we use mispricing score method from Stambaugh, Yu and Yuan (2012)associated with 9 long/short anomalies. The results of this studies show that sentiment exhibits low and significant relation to returns on the long/short strategies. The long-leg strategy is more profitable following low sentiments or negative sentiments. The short-leg strategy is more profitable following low sentiments or positive sentiments.

"

"Skripsi ini membahas mengenai sufiks -teki sebagai hedge (pagar) dalam cuitan (tweet) yang diposting dalam situs jejaring sosial Twitter pada bulan Oktober 2016. Tujuan dari penelitian ini adalah untuk memerikan sufiks -teki sebagai hedge (pagar). Dengan memerikan sufiks -teki sebagai hedge (pagar), dapat diketahui penggunaan dan fungsi sufiks -teki sebagai hedge (pagar). Selain itu, dapat diketahui sikap pencuit yang menggunakan sufiks -teki dalam cuitannya. Hasil penelitian menunjukkan bahwa berdasarkan 21 data yang dianalisis, penggunaan sufiks -teki sebagai hedge (pagar) dapat dikelompokkan berdasarkan posisi, yaitu penggunaan sufiks -teki pada pronomina persona pertama, sufiks -teki pada kuotasi, dan sufiks -teki (na) pada modifikator nomina. Sufiks -teki berfungsi untuk menghaluskan ujaran. Hal ini dipicu oleh sikap pencuit yang berupaya untuk menghindari konflik dengan pembaca cuitan.

---

The focus of this study is the use of the suffix -teki as a hedge found on tweets posted on October 2016 on the social media site Twitter. The purpose of this research is to describe the suffix -teki as hedge. By describing the suffix -teki as hedge, the use of suffix -teki as hedge and its functions will be discovered. Moreover, the tweeter (the person who tweeted) attitude toward their tweets will be found out. Based on the 21 tweets analyzed, the suffix -teki used as hedges can be divided into three groups based on its position in the sentence, which are the use of the suffix -teki after first person pronouns, suffix -teki after quotation, and suffix -teki (na) after noun modifier. The use of the suffix -teki as a hedge implies that the tweeter (the person who tweeted) weakens the assertion of the speech. The use of the suffix -teki as a hedge is motivated by the attitude of tweeter who attempted to avoid conflicts with the readers."

"Pandemi Covid-19 telah melanda Indonesia selama lebih dari satu tahun. Hal tersebut menyebabkan terhentinya kegiatan normal di berbagai sektor kehidupan masyarakat, khususnya dalam dunia pendidikan. Setelah lebih dari satu tahun menutup kegiatan belajar tatap muka, Pemerintah kembali merencanakan kembalinya pendidikan tatap muka. Meskipun pendidikan tatap muka dinilai lebih efektif, akan tetapi bahaya Covid-19 yang semakin mudah menular menyebabkan kekhawatiran di dalam masyarakat. Untuk itu, pemerintah wajib menampung aspirasi rakyatnya. Salah satunya adalah dengan menggunakan metode sentimen analisis. Dengan mengkombinasikan feature yang terdapat pada data Twitter, maka kita bisa membangun sebuah model untuk mengklasifikasi opini masyarakat. Penelitian ini juga membandingkan algoritma machine learning Support Vector Machine (SVM) dan Multi-layer Perceptron (MLP). Hasilnya, penambahan feature dan penggunaan algoritma (SVM) dalam mengklasifikasikan model Sentiment-Neutral menghasilkan nilai akurasi dan F-1 Score terbaik (85,78% dan 81,0%). Selain itu, visualisasi menggunakan Scattertext berhasil merepresentasikan teks dalam suatu plot. Hasilnya adalah mayoritas masyarakat yang mendukung kembalinya pendidikan tatap muka berdasarkan kepercayaan bahwa pendidikan tatap muka lebih efektif dibandingkan dengan pendidikan online. Di sisi lain, masyarakat juga takut akan bahayanya virus Covid-19.

---

The Covid-19 pandemic has hit Indonesia for more than a year. This causes the cessation of daily activities in various sectors in Indonesia, especially in the education sector. After more than a year banning face-to-face learning activities, the Government is now planning to unban the face-to-face education. Although face-to-face education is considered more effective, the danger of Covid-19 which is easily transmitted causing concern amongst people. Because of that, the government must accommodate the aspirations of the people. One of them is by using sentiment analysis method. By combining the features contained in the Twitter data, we can build a model to classify public opinions. This study also compares machine learning algorithms Support Vector Machine (SVM) and Multi-layer Perceptron (MLP). As a result, the addition of features and the use of the SVM algorithm in classifying the Sentiment-Neutral model resulted in the best accuracy and F-1 scores (85.78% and 81.0%). In addition, visualization using Scattertext successfully represents text in a plot. The result is the majority of people who support the return of face-to-face education based on the belief that face-to-face education is more effective than online education. On the other hand, people are also afraid of the dangers of the Covid-19 virus."

"[ABSTRAKPenelitian ini bertujuan untuk mengetahui pengaruh layanan informasi melalui twitter dengan partisipasi pengguna Perpustakaan (Universitas Indonesia)UI di twitter. Penelitian ini menggunakan pendekatan kuantitatif dengan metode penelitian deskripsi analitik dan analisis bivariat. Variabel penelitian ini terdiri dari 2 variabel bebas yaitu desain layanan informasi dan jenis informasi serta 1 variabel terikat yaitu partisipasi pengguna. Hasil penelitian ini menunjukkan bahwa pengikut akun twitter perpustakaan UI merasa desain layanan informasi dan jenis informasi yang disajikan sudah cukup sesuai dengan kebutuhan dan keinginan pengikut. Selain itu, diketahui pula bahwa desain layanan informasi dan jenis informasi memiliki pengaruh positif signifikan terhadap partisipasi pengguna. Penelitian juga dapat menunjukkan pola partisipasi pengguna di twitter antara perpustakaan dan pengguna. Pengolahan dan analisis data pada penelitian ini menggunakan teknik analisis regresi linier berganda dengan bantuan aplikasi pengolah data.

---

ABSTRACTThe purpose of this research is to understand implication of information services trough twitter platform with UI library user participation in twitter. This research used quantitative approach with the analytic descriptive and bivariat analytic methods. The variable consists of 2 independent variables (information services design and type of information) and 1 dependent variable (user participation). The results of this research shows follower of UI Library twitter @UI_Library perceive design and type of the information that given was appropriate with user needs. Therefore, information service design and type of information have a positive implication to user participation. This research shows user participation pattern in twitter platform between library and user. Process and data analysis used multiple linear regression analysis methods using data processing software.;The purpose of this research is to understand implication of information services trough twitter platform with UI library user participation in twitter. This research used quantitative approach with the analytic descriptive and bivariat analytic methods. The variable consists of 2 independent variables (information services design and type of information) and 1 dependent variable (user participation). The results of this research shows follower of UI Library twitter @UI_Library perceive design and type of the information that given was appropriate with user needs. Therefore, information service design and type of information have a positive implication to user participation. This research shows user participation pattern in twitter platform between library and user. Process and data analysis used multiple linear regression analysis methods using data processing software.;The purpose of this research is to understand implication of information services trough twitter platform with UI library user participation in twitter. This research used quantitative approach with the analytic descriptive and bivariat analytic methods. The variable consists of 2 independent variables (information services design and type of information) and 1 dependent variable (user participation). The results of this research shows follower of UI Library twitter @UI_Library perceive design and type of the information that given was appropriate with user needs. Therefore, information service design and type of information have a positive implication to user participation. This research shows user participation pattern in twitter platform between library and user. Process and data analysis used multiple linear regression analysis methods using data processing software., The purpose of this research is to understand implication of information services trough twitter platform with UI library user participation in twitter. This research used quantitative approach with the analytic descriptive and bivariat analytic methods. The variable consists of 2 independent variables (information services design and type of information) and 1 dependent variable (user participation). The results of this research shows follower of UI Library twitter @UI_Library perceive design and type of the information that given was appropriate with user needs. Therefore, information service design and type of information have a positive implication to user participation. This research shows user participation pattern in twitter platform between library and user. Process and data analysis used multiple linear regression analysis methods using data processing software.]"

"Tesis ini membahas kebutuhan-kebutuhan pengguna terhadap kepuasan dan niat keberlanjutan penggunaan dengan berlandaskan teori uses and gratifications. Penelitian ini merupakan penelitian kuantitatif dengan pendekatan eksplanatif. Sebanyak 405 responden dengan kriteria yaitu pengguna Twitter yang tergabung sebagai follower akun autobase @indomyfess, berhasil diperoleh dengan kuesioner yang disebar secara nline. Metode analisis deskripitif dan SEM digunakan untuk membuktikan adanya pengaruh kepuasan penggunaan terhadap niat keberlanjutan penggunaan media sosial. Mengadopsi kerangka penelitian Bae (2017), terdapat tiga hipotesis dalam penelitian ini, yaitu kebutuhan yang dicari pengguna terpuaskan. Kedua, masing-masing terpenuhinya kebutuhan berpengaruh terhadap kepuasan pengguna secara menyeluruh. Ketiga, kepuasan pengguna berpengaruh terhadap niat keberlanjutan penggunaan media sosial. Selisih gratification sought dan gratification obtained menemukan bahwa pada aspek sosialiasi, kenyamanan, dan dukungan sosial, kebutuhan pengguna terpenuhi. Kemudian hasil penelitian membuktikan bahwa kebutuhan yang terpenuhi mempengaruhi kepuasan pengguna dan kepuasan pengguna mengarah pada niat keberlanjutan penggunaan. Di masa depan, penelitian dapat menekankan faktor komunitas yang tidak dibahas mendalam pada penelitian ini.

---

This study discusses the user needs towards satisfaction and intention to continue using social media based on the uses and gratifications theory. This research is an quatitative research with explanatory approach used. A total of 405 respondents with the criteria, that is Twitter users who follow autobase account @indomyfess, were successfully obtained with questionnaires distributed online. Descriptive analysis and SEM methods were used to demonstrate the effect of user satisfaction on the intention to continue using social media. Adopting research framework of Bae (2017), there are three hypotheses in this study, firstly the needs which users seek are satisfied. Secondly, the fulfillment of each need affects overall user satisfaction. Thirdly, user satisfaction affects the intention to continue using social media. Using gratification sought and gratification obtained, it found that user needs in aspect of socialization, convenience, and social support, were met. Moreover, results of the study prove that fulfilled needs affect user satisfaction and user satisfaction leads to the continuance usage for social media users. In the future, research may emphasize community factors which were not discussed in depth in this study."

"ABSTRAKEra globalisasi tidak dapat menahan besarnya pengaruh kecanggihan teknologi informasi, salah satunya adalah internet. Perkembangan teknologi internet tentu meningkatkan jumlah informasi yang tersedia. Informasi tersebut dapat berupa berita ? berita aktual yang dapat diakses melalui media sosial, seperti Twitter. Oleh karena itu, dibutuhkan suatu cara cepat dan efisien untuk menemukan topik utama dari Twitter. Pendeteksian topik pada dokumen yang sangat besar sulit dilakukan secara manual sehingga dibutuhkan metode otomatis, salah satunya faktorisasi matriks yaitu Nonnegative Matrix Factorization (NMF). Salah satu metode NMF yang telah berhasil dikembangkan dengan komplesitas waktu polinomial adalah P-NMF dengan algoritma AGM yang memiliki asumsi bahwa setiap topik memiliki sedikitnya satu kata yang tidak terdapat pada topik lainnya yang disebut sebagai kata anchor. P-NMF dengan algoritma AGM terdiri dari tiga tahapan, yaitu pembentukan matriks coocurance, pencarian kata anchor, dan recover. Pada penelitian ini akan diterapkan P-NMF dengan Recover KL untuk mendeteksian topik pada twitter, kemudian hasilnya akan dibandingkan dengan LDA dan P-NMF dengan Original Recover. Penelitian menunjukan bahwa P-NMF dengan Recover KL mampu meningkatkan akurasi untuk pendeteksian topik pada Twitter.

---

ABSTRACTThe era of globalization can?t withstand the influence of sophistication of information technology, such as Internet. Development of Internet technology would increase the amount of information. The information may be actual news that can be accessed through social media, such as Twitter. Therefore, needed a fast and efficient way to find the main topics of Twitter. Detection topics on very large documents difficult to do manually so it takes automated methods, one of which is nonnegative matrix factorization (NMF). One method that has been successfully developed NMF with polynomial time complexity is P-NMF algorithm AGM which assumes that each topic has at least one word that doesn?t appear on other topics, called anchor words. P-NMF algorithm AGM consists of three steps, the establishment of a matrix coocurance, finding anchor words, and recover. This research will be implemented P-NMF with Recover KL to detect topics on twitter, then the results will be compared with the LDA and P-NMF with Original Recover. Research shows that P-NMF with Recover KL can improve detection accuracy for topics on Twitter."