Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Jumlah ulasan pengguna untuk sebuah aplikasi mobile bisa mencapai ribuan sehingga membutuhkan waktu banyak bagi pengembang aplikasi untuk memilah-milah dan mencari informasi yang penting untuk pengembangan aplikasi selanjutnya. Oleh karena itu penelitian ini bertujuan untuk melakukan klasifikasi secara otomatis terhadap ulasan pengguna aplikasi mobile yang dimiliki oleh PT PQR. Klasifikasi otomatis yang dilakukan pada penelitian ini menggunakan pendekatan machine learning. Fitur-fitur yang diekstrak dari data adalah unigram, bigram, star rating, panjang ulasan, serta rasio jumlah kata bersentimen positif dan negatif. Untuk algoritma klasifikasi digunakan Na ve Bayes, Support Vector Machine, Logistic Regression dan Decision Tree. Hasil percobaan menunjukkan bahwa fitur bigram dan star rating berdampak negatif pada performa klasifikasi. Algoritma Na ve Bayes menghasilkan precision terbaik sebesar 85,3, sedangkan algoritma Logistic Regression menghasilkan recall dan F-measure terbaik sebesar 85.

---

ABSTRACT
The number of user reviews for a mobile app can reach thousands so it will take a lot of time for app developers to sort through and find information that is important for further app development. Therefore, this study aims to classify automatically mobile application user reviews of PT PQR. Automatic classification conducted in this study using machine learning approach. The features extracted from the data are unigram, bigram, rating score, review length, as well as the ratio of the number of words contain positive and negative sentiment. For classification algorithms, we used Na ve Bayes, Support Vector Machine, Logistic Regression and Decision Tree. The experimental results show that bigram and star rating has negative impact on the classifier performance. Na ve Bayes algorithm gives the best precision of 85,3 , while Logistic Regression gives the best recall and F measure of 85.

Abstrak :
ABSTRAK
Menjelang era 2000-an adalah era euphoria bisnis dengan basis internet atau popular dengan bisnis dotcom. Bisnis ini diyakini memiliki tingkat pengembalian modal yang tinggi karena mampu menghasilkan laba dengan modal yang lebih kecil karena tidak memerlukan investasi peralatan atau aktiva tetap yang tinggi sebagaimana perusahaan lainnya. Keunggulan lain yang diproyeksikan saat itu adalah kemajuan teknologi yang memicu akselerasi permintaan produk dengan lebih cepat dan mudah. Hal ini memicu kenaikan harga saham perusahaan yang bergerak di bisnis dotcom dengan angka yang fantastis kala itu dan mendorong meningkatnya baik pembelian saham dan masuknya pelaku-pelaku baru di bisnis ini. Fenomena ini berlaku juga di Indonesia.

Tetapi dalam waktu singkat menjelang awal tahun 2001, prediksi gemerlapnya bisnis dotcom ini dipertanyakan kembali seiring dengan runtuhnya beberapa perusahaan dotcom karena ternyata baik pertumbuhan permintaaan produk, pemasukan iklan dan tingkat profitabilitas yang dihasilkan tidaklah sebesar yang dibayangkan semula. Akibatnya harga saham bisnis dotcom pun menurun menyusul pula penutupan beberapa perusahaan di bisnis ini dan PHK massal para profesionalnya. Di Indonesia pun tak luput dari gejala buruk ini.

Yang menjadi pertanyaan besar adalah bagaimana sebenarnya menilai masa depan bisnís tipe ini dengan penilaian yang seakurat mungkin mengingat data historisnya nyaris tidak ada. Dan beberapa metode penilaian (valuation) yang diperkenalkan, metode Economic Value Added yang dipopulerkan Stern Stewart agaknya dapat mencoba menjawab permasalahan valuasi ini. Salah satu tokohnya adalah Aswath Damodaran yang mencoba menghitung EVA perusahaan dotcom atau perusahaan berbasis teknologi tinggi dengan analisa perhitungan spreadsheet EVA sebagaimana dirnunculkan dalam bukunya Dark Side of Valuation. Damodaran mencoba melakukan penilaian dengan sample perusahaan seperti Amazon.com, Ariba, dan lain-lain.

Di Indonesia, penulis mencoba mengaplikasikan metoda yang dipakai oleh Damodaran ini pada perusahaan dotcom pertama yang go public yakni PT Myohdotcom Indonesia dalam bahasan karya akhir kali ini untuk melihat prediksi fluai perusahaan dotcom semacam ini.

Abstrak :
The industry provocateur behind such companies as Twitter and a nascent Facebook presents an irreverent exposé of life inside the tech bubble that traces his hedonist lifestyle against a backdrop of early social media and online marketing, sharing critical insights into how they are shaping today's world.