Hasil Pencarian  ::  Simpan CSV :: Kembali

"Abnormal return merupakan salah satu bukti dimana adanya perilaku irasional investor terhadap suatu informasi yang tidak terduga atau dramatis. Perilaku irasional investor ini dapat tergambar melalui bentuk sentimen yang berada di media sosial seperti Twitter (X). Tujuan dari penelitian ini adalah untuk menganalisis pengaruh sentimen pada media sosial Twitter (X) terhadap pengembalian harga saham. Penelitian ini dilakukan dengan menggunakan data sekunder sebanyak 23.406 tweet pada 30 emiten saham IDX30 selama periode pengamatan Juli 2023 – Desember 2023. Data sekunder diolah menjadi sentimen dan dianalisis dengan kausalitas Granger untuk melihat kemampuan variabel sentiment polarity untuk melihat kemampuan prediktif variabel tersebut terhadap abnormal return saham IDX30. Hasil penelitian menunjukkan bahwa 8 dari 30 emiten saham menunjukkan adanya hubungan kausalitas yang signifikan antara sentiment polarity dan abnormal return dan 3 dari 8 emiten tersebut menyatakan bahwa sentiment polarity memiliki kemampuan prediktif terhadap abnormal return saham IDX30.

---

Abnormal return serves as evidence of investors’ irrational behavior in response to unexpected or dramatic information. Such irrational behavior can be reflected in sentiments expressed on social media platforms such as Twitter (X). The aim of this study is to analyze the effect of sentiment on Twitter (X) on stock price returns. This research employs secondary data comprising 23,406 tweets related to 30 IDX30-listed stocks during the observation period fom July 2023 to December 2023. The secondary data were processed into sentiment scores and analyzed using Granger causality to examine the predictive ability of sentiment polarity on abnormal returns of IDX30 stocks. The results of the study indicate that 8 out of 30 stock issuers exhibit a significant causal relationship between sentiment polarity and abnormal return. Furthermore, 3 of these 8 issuers demonstrate that sentiment polarity has predictive ability over the abnormal return of IDX30 stocks."

"Dalam dunia politik dewasa ini, penggunaan media sosial sebagai media untuk menyampaikan dukungan politik dan untuk berkampanye sudah menjadi hal yang sangat sering dilakukan. Twitter adalah salah satu dari media sosial yang sering digunakan untuk kampanye, hal ini karena kelebihan Twitter yang bersifat formal dan beruntun secara waktu. Namun Twitter juga memiliki kelemahan seperti tidak adanya keterangan demografis sehingga susah untuk diolah. Maka dari itu penelitian ini bertujuan untuk mencari tahu pola demografi dari pendukung masing-masing pasangan calon Presiden Indonesia 2019 pada Twitter berbahasa Indonesia.Dalam mencari demografi, penelitian ini menggunakan metode klasifikasi teks dan menggunakan kamus nama dan jenis kelamin. Kamus nama dan jenis kelamin yang digunakan berasal dari data pemilih tetap KPU. Label demografi yang digunakan antara lain, laki-laki, perempuan, generasi Z, generasi milenial, generasi X+, luar jawa dan jawa. Untuk menentukan pilihan dukungan, penelitian ini menggunakan metode sentimen analisis yang cocok digunakan untuk kalimat pendek yaitu metode SentiStrength.Hasil dari penelitian ini menunjukkan bahwa mayoritas pengguna Twitter yang aktif berbincang berkaitan dengan politik pemilihan presiden dan wakil presiden Indonesia 2019 adalah perempuan dengan kategori umur milenial atau rentang umur 25-39 tahun.

---

In today’s political world, the use of social media as a medium to convey political views and using it for campaign has become a very common thing. Social media can be used to express one’s expression both in supporting a political party and someone who is running for politics. Twitter is one of the social media that is often used for campaign, this is because of Twitter’s unformal and chronological feature. But Twitter also has weakness such as the absence of demographic information. Therefore this study aims to find out the demographic patterns of supporter of each Indonesian Presidential candidate 2019 on Indonesian language Twitter.

For searching the demographics, this study using text classification method and dictionary of names and genders. The dictionary comes from KPU permanent voter data. Demographic labels used in this study consist of male, female, generation Z, millennial generation, generation X+, outside Java and Java. To determine the political preference, this study uses the sentiment analysis method that is suitable for short sentences, namely the SentiStrength method.

The results of this study indicate that the majority of Twitter users who actively talk related to the politics of 2019 Presidential and Vice Presidential elections are women with millennial age categories or 25-39 years old."

"Platform digital, termasuk aplikasi mobile, mempunyai peran penting dalam gigeconomy, yaitu sebagai media gig worker dalam berinteraksi dengan penyedia layanantenaga kerja. Aplikasi mobile berbasis gig economy semakin diminati masyarakat.Peningkatan jumlah pengguna mengakibatkan meningkatnya jumlah unduhan dan ulasanyang diberikan. Namun, semakin banyak ulasan menyulitkan pengembang dalammemahami informasi yang terdapat dalam ulasan. Selain itu, satu ulasan dapat memilikiberbagai informasi. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan modelyang dapat mengkategorikan konten dan sentimen ulasan menggunakan teknikpembelajaran mesin. Algoritme Support Vector Machine (SVM), Multinomial NaïveBayes, Complement Naïve Bayes, Binary Relevance, Classifier Chain, dan Label powerset digunakan pada penelitian ini. Hasil dari penelitian didapatkan algoritme SVMsebagai algoritme terbaik, baik pada klasifikasi sentimen ulasan maupun kategorisasiulasan.

---

Digital platforms, including mobile applications, have an important role in gig economy,

as a gig worker platform in interacting with labor service providers. Gig economy based

mobile applications are increasingly in demand by the public. An increase in the number

of users results in an increase in the number of downloads and reviews provided.

However, the number of reviews makes it difficult for developers to understand the

information contained in reviews. In addition, one review can have a variety of

information. To overcome this problem, this study proposes a model that can categorize

content and sentiment reviews using machine learning techniques. Support Vector

Machine (SVM), Multinomial Naïve Bayes, Complement Naïve Bayes, Binary

Relevance, Classifier Chain, and Label power sets were used in this study. The results of

the study obtained the SVM algorithm as the best algorithm, both in the classification of

sentiment reviews and review categorization."