Hasil Pencarian  ::  Simpan CSV :: Kembali

"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%."

"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"."

"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."

"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."

"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."

"Ditengah persaingan perusahaan online to offline saat ini, perusahaan harus mencari cara yang dapat membantunya dalam upaya membangun hubungan baik serta mempertahankan pelanggannya. Salah satu cara yang digunakan dalam membantu upaya tersebut adalah dengan menerapkan Customer Relationship Management. Seiring dengan perkembangan teknologi yang kian pesat, kini kegiatan CRM juga dapat dilakukan oleh perusahaan melalui media sosial, salah satunya Twitter.Dalam penulisan ini, akan membahas mengenai apa saja kegiatan serta bagaimana pengaplikasian kegiatan CRM dalam Grab Indonesia. Adapun kegiatan serta pengaplikasian tersebut dilihat dari model praktik PR apa saja yang digunakan dan serta indikator relasi apa saja yang terjalin dalam kanal media sosial Twitternya. Pada pengaplikasian kegiatannya, Grab Indonesia menggunakan keseluruhan model praktik PR serta mampu menerapkan keenam indikator relasi dengan pelanggan dalam platform tersebut.

---

In the midst of online to offline sales competitions, corporations should manage their ways to build good relationship and maintain customer loyalty. Customer Relationship Management (CRM) could be the way to achieve those goals. In the new media world, CRM can be used within the social media applications, for example in Twitter.

This paper will analyze what the activities and how the applications of CRM is being done in Grab Indonesias Twitter account. The activities and the applications of CRM in this platform will refer to the PR practice models and relation indicators. From this paper, it can be concluded that Grab Indonesia uses all of PR practice models and also uses all six relation indicators with its consumers on their media platform."

"Sejak resmi dilantik sebagai Presiden Amerika Serikat ke-45, Donald Trump tidak henti menjadi sumber kontroversi berkaitan dengan kebijakan, perilaku, dan cara bermedia sosialnya. Meskipun demikian, belum banyak penelitian yang dilakukan mengenai Trump dan disrupsinya atas kelaziman American Presidency. Penelitian ini menganalisis tentang konsep American Presidency dan kepemimpinan Donald Trump dilihat dari penggunaan akun Twitter pribadi @realDonaldTrump. Penelitian ini menggunakan metode kualitatif dengan melakukan teknik konten analisis. Sampel penelitian yang digunakan adalah tweets Donald Trump dari akun Twitter pribadinya sejak ia resmi dilantik sebagai presiden pada tanggal 20 Januari 2017 hingga 20 Juni 2020. Hasil penelitian menunjukkan bahwa Trump adalah sosok presiden yang telah memunculkan disrupsi pada tradisi dan norma-norma kepresidenan Amerika. Selain itu, Trump juga merupakan sosok pemimpin populis kanan (right-wing populist) yang mengklaim dirinya sebagai presiden modern dengan penggunaan media sosialnya.

---

Since being officially inaugurated as the 45th President of the United States, Donald Trump has been a constant source of controversy regarding his policies, behavior and ways on social media. Even so, there has been limited research on Trump and his disruption of American Presidency prevalence. This study analyzes the concept of Donald Trump’s American Presidency and leadership through his personal Twitter account @realDonaldTrump. This research uses qualitative methods by conducting content analysis technique. The research sample used is Donald Trump's tweets from his personal Twitter account since he was officially inaugurated as president on January 20, 2017 to June 20, 2020. The results show that Trump is a president who has caused disruption to the traditions and norms of the American presidency. In addition, Trump is also a right-wing populist leader figure who claims to be a modern president with his use of social media."

"ABSTRAKTeknologi informasi dan komunikasi (TIK) baru, seperti Web 2.0 dan media sosial membuat perbedaan dalam praktik partisipasi politik di kalangan individu muda. Penelitian ini memperkenalkan Actor-Network Theory (ANT) sebagai sebuah kerangka untuk menganalisis hubungan antara TIK baru dan perubahan praktik pada partisipasi politik pemuda, secara khusus dalam fenomena adopsi Twitter. Peneliti beragumen bahwa ANT menawarkan sebuah perspektif baru dalam studi media dan politik serta praktik mediasi, sebab ANT menaruh fokus pada aktor heterogen, yakni manusia, konstruksi simbolis, dan elemen materi termasuk teknologi, setara dengan elemen penting lain sebagai bahan analisis. Penelitian ini menawarkan contoh empiris mengenai berbagai cara Twitter menjadi elemen spesifik pada aktor-jaringan. Argumen lain ialah, ketika melibatkan materialitas-teknologi-dalam analisis partisipasi politik, peneliti harus menghindari pengkhususan 'efek' Twitter. Teknolog Twitter harus diperlakukan secara analitis sebagai aktan dalam sebuah jaringan terintegrasi dengan aktan lain.

---

ABSTRACTNew information and communication technologies (ICTs) such as Web 2.0 and social media have altered the practices of political participation amongst youth. This article introduces Actor-Network Theory (ANT) as a framework for analyzing the relation between new ICTs and changing practices in youth political participation related with the adoption of Twitter in particular. It argues that ANT offers an exciting new perspective on 'holistic' studies of media and politics, and mediation practices, because it calls for a focus on heterogeneous actors: people, ideals, symbolic constructions, and material elements are seen as equally important elements to analyze. The article offers empirical examples of how ICTs have become elements of speci!c actor-networks, and argues that, at this point, the new aspect of them is their seamlessness. It is argued that while including materiality-technology-in analyses of journalism practices we should refrain from essentializing the 'effects' of ICT. Rather, technology should be treated analytically as an actant tightly integrated in networks with other actants, without being assigned particular forces or consequences."

"Pandemi covid-19 di Indonesia yang terjadi pada tahun 2020 telah mengubah berbagai aspek di setiap lini masyarakat Indonesia, termasuk cara masyarakat berbelanja. Regulasi terkait pembatasan akses dan jarak memaksa masyarakat Indonesia bertransformasi menggunakan aplikasi daring untuk memenuhi kebutuhan sehari-hari. Salah satu aplikasi daring yang penggunaannya meningkat adalah penggunaan aplikasi grosir daring seperti HappyFresh, Sayurbox, dan TaniHub. Peningkatan transaksi tidak serta merta menggambarkan bahwa layanan yang diberikan oleh ketiga aplikasi itu baik, keluhan pelanggan masih ditemukan pada media sosial seperti Twitter dan ulasan pengguna aplikasi di Google Play Store. Penelitian ini bertujuan untuk menghitung Net Brand Reputation (NBR) dari ketiga aplikasi dengan melakukan analisis sentimen analisis. Data yang digunakan berasal dari Twitter dan ulasan pengguna di Google Playstore dalam rentang waktu Januari 2020 hingga Maret 2021. Model klasifikasi analisis sentimen dibuat dengan menggunakan tiga algoritma klasifikasi Naïve Bayes, Support Vector Machine (SVM), dan Decision Tree. Hasil dari penelitian didapatkan aplikasi Happyfresh, Sayurbox, dan TaniHub memiliki sentimen positif di masyarakat. Aplikasi grosir daring yang memiliki nilai NBR terbesar adalah Tanihub, kedua adalah Happyfresh, dan yang terakhir adalah Sayurbox.

---

The COVID-19 pandemic in Indonesia that occurred in 2020 has changed various aspects in every line of Indonesian society, including the way people shop. Regulations related to access and distance restrictions force Indonesians to transform using online applications to meet their daily needs. One of the online applications whose use is increasing is the use of online wholesale applications such as HappyFresh, Sayurbox, and TaniHub. The increase in transactions does not necessarily illustrate that the services provided by the three applications are good, customer complaints are still found on social media such as Twitter and application user reviews on the Google Play Store. This study aims to calculate the Net Brand Reputation (NBR) of the three applications by performing sentiment analysis. The data used comes from Twitter and user reviews on the Google Playstore in the period January 2020 to March 2021. The sentiment analysis classification model is created using three classification algorithms, Naïve Bayes, Support Vector Machine (SVM), and Decision Tree. The results of the study showed that Happyfresh, Sayurbox, and TaniHub applications had positive sentiments in the community. The online wholesale application that has the largest NBR value is Tanihub, the second is Happyfresh, and the last is Sayurbox."