Hasil Pencarian  ::  Simpan CSV :: Kembali

"Keraguan dan penolakan orang tua terhadap vaksinasi meningkat secara global. Maraknya penyebaran isu vaksinasi melalui media sosial mengarahkan persepsi publik pada keraguan terhadap vaksin yang berujung pada penurunan cakupan imunisasi dan tidak tercapainya target IDL di Indonesia. Pada media sosial Twitter terdapat dua kelompok, yaitu kelompok pro-vaksin yang mendukung vaksinasi dan anti-vaksin yang menolak vaksinasi. Penelitian ini bertujuan untuk mengidentifikasi apakah sebuah Tweet memiliki kecenderungan ke arah pro- atau anti-vaksin dan untuk mengeksplorasi topik-topik terkait pro-vaksin dan anti-vaksin. Dataset diambil dari Twitter dengan kata kunci "vaksin" dan "imunisasi" lebih dari 9.000 data Tweet antara 11 Agustus sampai 10 September 2019. Anotasi dilakukan dalam 3 langkah berturut-turut dengan tiga pasangan label yaitu RELEVANT/IRRELEVANT, SUBJECTIVE/NEUTRAL, dan PRO/ANTI. Tiga eksperimen yaitu pemilihan fitur, algoritma, dan pipeline klasifikasi dilakukan untuk mendapatkan model stance detection terbaik yaitu nilai rata-rata micro tertinggi dari precision, recall, dan f1-score. Fitur terpilih adalah kombinasi 3 fitur teks Count +Unigram+Bigram dengan algoritma Logistic Regression dan pipeline Two-stage Classification (f1-score = 80,5%). Algoritma terpilih pada pembentukan topic modeling adalah NMF dan LDA masing-masing untuk korpus pro-vaksin dan anti-vaksin dengan nilai koherensi sebesar 0.999. Topik-topik anti-vaksin meliputi kritik terhadap fatwa halal MUI untuk Vaksin MR, kandungan babi pada Vaksin Meningitis Haji, komersialisasi vaksin, vaksin palsu, KIPI dan bahaya vaksin, vaksin sebagai alat konspirasi dan agenda Yahudi, tuntutan vaksin halal, dan seterusnya. Sedangkan topik-topik pro-vaksin lebih bersifat homogen yaitu mengenai manfaat dan pentingnya imunisasi, aturan pemberian vaksin, dan kampanye dalam bentuk publisitas kegiatan imunisasi, dan anjuran vaksin.

---

Parents hesitancy and refusal toward immunization was rising globally. The rise of the issue of vaccination through social media directs the public's perception of vaccine hesitancy that lead to a reduction in immunization coverage and the unfulfilled IDL target in Indonesia. There are two groups: pro-vaccine that support vaccines and anti-vaccine that refuse vaccines for various reasons that expressed in tweets on Twitter.

This research aims to identify whether a tweet has a tendency to support, or oppose immunization or vaccines and exploring the topic of pro-vaccine and anti-vaccine corpus. The dataset was taken from Twitter with the keywords "vaksin" and "imunisasi" of more than 9,000 tweets at 11 August until 10 September 2019. Annotation was carried out in 3 consecutive steps with three couple label namely RELEVANT vs IRRELEVANT, SUBJECTIVE vs NEUTRAL, and PRO vs ANTI.

Three experiments, namely the selection of features, algorithms, and pipeline were carried out to get the best model of stance detection which has the highest micro average precision, recall, and f1-scores. The selected feature is combination of Count +Unigram+Bigram features with Logistic Regression and pipeline Two-stage Classification (f1-score = 80,5%).

The selected topic modeling algorithms are NMF and LDA for the corpus pro-vaccine and anti-vaccine with coherence score 0.999. Anti-vaccine topics include criticism of the halal MUI fatwa for MR vaccine, pork gelatine in the Hajj Meningitis Vaccine, vaccines for business fields, fake vaccines, KIPI and vaccine hazards, vaccines as part of conspiracy and Jewish agenda, demands for halal vaccines, etc. Whereas pro-vaccine topics are more homogeneous, namely the benefits and importance of immunization, vaccine administration rules, and campaigns with publicity of immunization activities and vaccine recommendations."

"Industri musik di Indonesia merupakan salah satu prioritas utama oleh Badan Ekonomi Kreatif BEKRAF untuk ditingkatkan daya saingnya. Dalam meningkatkan daya saingnya, industri musik dihadapi dengan tantangan utama yaitu sumber daya manusia yang kurang memadai serta pemanfaatan pasar yang belum optimal. Oleh karena itu, industri musik di Indonesia perlu mengembangkan strategi terbaru untuk menghadapi tantangan tersebut. Seiring berkembangnya teknologi di industri musik, data terkait musik seperti tangga lagu, fitur audio, serta lirik lagu semakin mudah didapatkan. Data tersebut berpotensi memberikan informasi penting dan karakteristik terkait lagu yang sedang tren dan diminati oleh masyarakat Indonesia. Penelitian ini bertujuan untuk mengetahui karakteristik lagu yang populer atau diminati oleh masyarakat Indonesia menggunakan music mining. Penentuan karakteristik dilakukan dengan mengklasifikasikan lagu keseluruhan, lagu lokal, dan lagu internasional yang populer di Indonesia. Berdasarkan hasil penelitian ini, algoritme pohon keputusan C5.0 mampu memberikan karakteristik yang detail dan optimal untuk lagu keseluruhan, lagu lokal, dan lagu internasional dengan akurasi yang baik. Terdapat beberapa kesamaan dan perbedaan karakteristik yang dimiliki antara lagu secara keseluruhan, lagu lokal, dan lagu internasional yang berkaitan satu sama lain. Keterkaitan tersebut dapat digunakan menjadi strategi dan rekomendasi pelaku industri musik dalam memproduksi lagu yang sesuai dengan preferensi masyarakat.

---

Music industry is one of main priority to improve its competitiveness by BEKRAF. Music industry is faced by main challenges such as insufficient human resources and unoptimized market utilization. Thus, music industry in Indonesia needs to develop new strategy to handle the challenges. Nowadays, the developing of technology in music industry data related to music, e.g. top charts, audio features, and song lyric are easily obtained. Those data are potential to give important information and characteristics related to trending songs and songs preferred in Indonesia.

This study aims to know the characteristics of popular or preferred songs in Indonesia using music mining. Determining the characteristic was done by classifying overall songs, local songs, and international songs that are popular. Based on this study, C5.0 decision tree is able to give detail and optimal characteristics of overall songs, local songs, and international songs. There are some similarities and differences among them that are related to each other. Those relations among characteristics can be used to be the strategy and recommendation for music industry in producing songs that are preferred in Indonesia. "

"Universitas T memiliki rencana (roadmap) untuk mengembangkan berbagai jenis Metaverse di masa depan. Namun, ada kekhawatiran bahwa roadmap yang telah dibuat mungkin tidak sesuai dengan kebutuhan masyarakat. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen dan pemodelan topik tentang Metaverse di media sosial guna memberikan wawasan yang penting bagi roadmap pengembangan Metaverse di Universitas T dengan memperhatikan pendapat dan sentimen masyarakat. Data yang digunakan dalam penelitian ini adalah twit berbahasa Indonesia yang dikumpulkan dari bulan Agustus 2021 hingga April 2023. Untuk analisis, digunakan pustaka LazyPredict yang menghasilkan lima model klasifikasi, yaitu Bernoulli Naive Bayes (BernoulliNB), Nearest Centroid, Calibrated Classifier CV, Logistic Regression, dan Linear Support Vector Classification (LinearSVC). Hasil menunjukkan bahwa model BernoulliNB memiliki performa terbaik dengan nilai rata-rata F1 sebesar 0,788. Selain itu, penelitian ini juga mengidentifikasi topik-topik yang dibahas terkait dengan Metaverse menggunakan pustaka Bertopic. Temuan menunjukkan adanya topik negatif seperti ketidakpastian pengembangan Metaverse, skeptisisme terhadap teknologi baru, keterbatasan infrastruktur internet, kekhawatiran etika dan syariah, ketidakpastian legalitas, kekhawatiran privasi dan keamanan, serta skeptisisme terhadap kesiapan Indonesia dalam membangun Metaverse. Di sisi lain, topik positif meliputi peluncuran Metaverse Jagat Nusantara, potensi kripto dalam konteks Metaverse, perubahan nama Facebook menjadi Meta, konser virtual di Metaverse, kehidupan di dunia Metaverse, pengembangan teknologi Metaverse di dalam negeri, transformasi digital dan inovasi di era Metaverse, penggunaan blockchain, kripto, dan NFT dalam teknologi Metaverse, serta Manasik Haji di Metaverse. Hasil analisis sentimen dan pemodelan ini dapat memberikan wawasan yang berharga bagi Universitas T dalam memahami tren dan pandangan masyarakat terkait Metaverse. Hal ini akan membantu universitas dalam mengevaluasi roadmap Metaverse yang telah dibuat untuk memastikan kesesuaiannya dengan kebutuhan masyarakat.

---

Universitas T has a roadmap to develop various types of Metaverse in the future. However, there are concerns that the existing roadmap may not align with the needs of society. Therefore, this research aims to analyze the sentiment and topic modeling related to Metaverse on social media to provide valuable insights for the development roadmap of Metaverse at Universitas T, taking into account the opinions and sentiments of the public. The data used in this study are Indonesian tweets collected from August 2021 to April 2023. The LazyPredict library is utilized for analysis, which generates five classification models: Bernoulli Naive Bayes (BernoulliNB), Nearest Centroid, Calibrated Classifier CV, Logistic Regression, and Linear Support Vector Classification (LinearSVC). The results show that the BernoulliNB model performs the best with an F1 score of 0.788. Additionally, this research identifies various topics discussed in relation to Metaverse using Bertopic library. Findings indicate the presence of negative topics such as uncertainty in Metaverse development, skepticism towards new technologies, limitations of internet infrastructure, ethical and Sharia concerns, legal uncertainties, privacy and security concerns, as well as skepticism about Indonesia's readiness in building the Metaverse. On the other hand, positive topics include the launch of Metaverse Jagat Nusantara, the potential of cryptocurrencies in the context of Metaverse, the name change of Facebook to Meta, virtual concerts in the Metaverse, life in the Metaverse world, domestic Metaverse technology development, digital transformation and innovation in the era of Metaverse, the use of blockchain, cryptocurrencies, and NFTs in Metaverse technology, as well as Manasik of Hajj in the Metaverse. The results of sentiment analysis and topic modeling can provide valuable insights for Universitas T to understand the trends and public perspectives regarding Metaverse. This will assist the university in evaluating the existing Metaverse roadmap to ensure its alignment with the needs of society."

"Terbatasnya interaksi sosial di tengah pandemi COVID-19 memaksa perubahan pada proses belajar mengajar secara konvensional menjadi pembelajaran jarak jauh. Peran platform pembelajaran daring diharapkan dapat menjadi sumber belajar yang optimal sehingga kesenjangan capaian belajar dapat diminimalkan. Namun, masyarakat mengalami culture shock karena perubahan tersebut, kesadaran peserta didik yang masih rendah untuk mengevaluasi hasil belajar, dan terdapat kendala terkait dengan akses Internet. Oleh sebab itu, pengukuran tingkat kepuasan pengguna perlu dilakukan untuk menilai efektivitas platform pembelajaran daring dalam menyediakan sumber belajar alternatif dengan menggunakan teknik text mining. Penelitian ini menganalisis persepsi pengguna terhadap layanan platform Ruangguru, Zenius, dan Quipper dengan mengolah data ulasan dari Google Play Store. Teknik text mining yang digunakan ialah pemodelan topik dengan metode Latent Dirichlet Allocation untuk mendefinisikan aspek layanan yang dibahas pada data ulasan. Selain itu, dilakukan analisis sentimen ulasan dari setiap aspek layanan menggunakan algoritma SentiStrengthID. Hasil dari kedua teknik text mining tersebut dikuantifikasi menggunakan metode Net Reputation Score untuk mendapatkan skor kepuasan pengguna sehingga dapat menjadi referensi bagi pihak penyedia platform dalam menentukan prioritas peningkatan layanan. Hasil penelitian menunjukan bahwa aspek promosi dan video berlangganan perlu menjadi fokus perbaikan bagi pihak penyedia platform Ruangguru. Kedua aspek tersebut mendapatkan skor kepuasan terendah sebesar -6,19% dan 15,84%. Sementara itu, aspek mengenai latihan soal dan akun pengguna pada platform Zenius perlu untuk menjadi prioritas perbaikan dengan masing-masing skor kepuasan yang diperoleh sebesar 34,91% dan 44,14%. Terakhir, aspek layanan dari platform Quipper mengenai latihan pembahasan dan registrasi pengguna perlu segera diperbaiki karena mendapatkan skor kepuasan yang kritikal sebesar -54,28% dan -16,66%. Berdasarkan hasil tersebut, didapatkan wawasan yang berguna bagi pihak penyedia untuk mempermudah pengambilan keputusan dalam optimasi platform pembelajaran daring.

---

Limited social interaction amid the COVID-19 pandemic has forced a change in the conventional learning process to distance learning. Online learning platforms are expected to provide optimal learning resources so that the gap in learning achievement can be minimized. However, the society experienced culture shock due to the change, student awareness of the possibility to evaluate learning strategies and learning outcomes is still low during online learning activities, and there are issues related to Internet access. Therefore, it is necessary to measure the user satisfaction score to assess the effectiveness of online learning platforms in providing alternative learning resources using text mining techniques. This study analyzes user perceptions of Ruangguru, Zenius, and Quipper by exploring review data from Google Play Store. Text mining techniques used are topic modeling by applying Latent Dirichlet Allocation method to define the service aspects discussed in the review data. Additionally, sentiment analysis was carried out to classify the emotional tendency of each user review from every service aspect using SentiStrengthID algorithm. Results from both techniques are quantified using Net Reputation Score method to obtain user satisfaction scores so that it can be a reference for platform providers in determining service improvement priorities. The results of the study reveal that the promotion and subscription video aspects need to be the improvement focus for the Ruangguru platform provider. Both aspects get the lowest satisfaction scores of -6.19% and 15.84%, respectively. Meanwhile, aspects regarding tryout and user account on the Zenius platform need to be a priority for improvement with satisfaction scores obtained of 34.91% and 44.14%, respectively. The last one, service aspects of the tryout and user registration on the Quipper platform need to be improved immediately by the service provider because these aspects get critical satisfaction scores of -54.28% and -16.66%, respectively. Based on these results, useful insights were obtained for providers to facilitate decision-making in optimizing online learning platforms."

"ABSTRAKPangan merupakan hak asasi manusia yang harus senantiasa terpenuhi oleh masyarakat dengan daya beli yang sesuai dan mempunyai kualitas pangan yang tinggi dan aman. Hal tersebut mendorong kedaulatan pangan suatu negara, yang secara mandiri memenuhi kebutuhan pangan masyarakatnya berdasarkan sistem pangan yang adil bagi seluruh masyarakat. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 yang mewajibkan adanya sistem informasi tentang pangan dan gizi dan teori evolusi e-government 3.0. Oleh karena itu salah satu solusi yang mendukung peraturan tersebut dan pendekatan e-government 3.0 adalah dengan pendekatan text mining. Penelitian ini mengolah data dari LAPOR! dan berita daring mengenai kedaulatan pangan untuk mengekstrak informasi dan menemukan pola-pola yang akan menghasilkan informasi tentang kedaulatan pangan di Indonesia sehingga dapat membantu pengambilan keputusan yang berdasar pada data melalui representasi visualisasi berbasis web. Jenis analisis informasi yang digunakan adalah Klasifikasi Dokumen untuk penyaringan dokumen, Named Entitiy Recognition yang digunakan untuk mengetahui entitas lokasi dan komoditas pangan dari data tekstual, dan Topic Modelling untuk menemukan topik dari sekumpulan teks dokumen berita dan aduan LAPOR!. Algoritma yang dipakai dalam penelitian ini adalah Conditional Random Fields dan Conditional Markov Model untuk implementasi Named Entity Recognition. Latent Dirichlet Allocation dan Non-Negative Matrix Factorization untuk implementasi Topic Modelling. Selain itu Naïve Bayes, Support Vector Machine, dan Logistic Regression digunakan untuk klasifikasi dokumen. Sedangkan pemilihan model ini menggunakan Conditional Random Field dengan nilai F1-score pada entitas lokasi sebesar 83.85 dan entitas komoditas pangan sebesar 90.98 yang digunakan pada data berita daring, pada data aduan LAPOR!, entitas lokasi menggunakan Conditional Markov Model dengan nilai F1-Score sebesar 60.35 dan entitas komoditas pangan sebesar 89.74. Pada klasfikasi dokumen, model Support Vector Machine dengan fitur unigram memiliki nilai presisi sebesar 92.00. Pada Topic Modelling, model Non-Negative Matrix Factorization memiliki nilai coherence yang lebih tinggi daripada Latent Direchlete Allocation pada tiga eksperimen dengan dataset yang berbeda. Di samping itu, dilakukan visualisasi tentang kedaulatan pangan berdasarkan pengolahan data tersebut di atas untuk memudahkan pengambilan kebijakan oleh pimpinan seperti Tim Ahli di Kantor Staf Presiden.

---

ABSTRACTFood is a human right that must always be fulfilled by the society with the appropriate purchasing power and high and safe food quality. This encourages food sovereignty of a country, which independently meets the food needs of its people based on a food system that is fair to the entire community. Peraturan Pemerintah Republik Indonesia Nomor 17 Tahun 2015 requires an information system on food and nutrition and the theory of e-government 3.0 evolution. Therefore, one solution that supports these regulations and the e-government 3.0 approach is the text mining approach. This research processes data from LAPOR! and online news on food sovereignty to extract information and find patterns that will produce information on food sovereignty in Indonesia so that it can assist decision-making based on data through web-based visualization representation. The type of information analysis used is Document Classification for document filtering, Named Entity Recognition which is used to find out location entities and food commodities from textual data, and Topic Modeling to find topics from a collection of text news documents and complaints LAPOR !. The algorithm used in this study is Conditional Random Fields and Conditional Markov Models for the implementation of Named Entity Recognition. Latent Dirichlet Allocation and Non-Negative Matrix Factorization for the implementation of Topic Modeling. In addition Naïve Bayes, Support Vector Machine, and Logistic Regression are used for document classification. Whereas the selection of this model uses Conditional Random Field with an F1-score value for location entities of 83.85 and a food commodity entity of 90.98 used in online news data. In the LAPOR! Complaint data, the location entity uses Conditional Markov Model with an F1-Score value of 60.35 and food commodity entities amounting to 89.74. In classifying documents, the Support Vector Machine model with unigram features has a precision value of 92.00. In Topic Modeling, the Non-Negative Matrix Factorization model has a higher coherence value than the Latent Direchlete Allocation in three experiments with different datasets. In addition, visualization of food sovereignty is based on the processing of the data above to facilitate policy making by leaders such as the Expert Team at the Kantor Staf Presiden.

"

"Text Summarization secara ekstraktif merupakan suatu isu yang dapat meningkatkan kualitas pengalaman pengguna ketika menggunakan suatu sistem perolehan informasi. Pada bahasa Inggris, terdapat beberapa penelitian terkait Text Summarization secara ekstraktif salah satunya adalah penelitian Belwal et al. (2021) yang memperkenalkan suatu metode Text Summarization secara ekstraktif yang berbasiskan proses Topic Modeling serta Semantic Measure menggunakan WordNet. Sementara pada bahasa Indonesia, juga terdapat beberapa penelitian terkait Text Summarization secara ekstraktif tetapi belum ada yang menggunakan metode yang sama seperti yang diperkenalkan oleh Belwal et al. (2021). Agar metode yang diperkenalkan Belwal et al. (2021) dapat digunakan pada bahasa Indonesia, proses Semantic Measure menggunakan WordNet harus diganti dengan Similarity Measure menggunakan Vector Space Model karena tidak adanya model WordNet bahasa Indonesia yang dapat digunakan oleh umum. Dalam menggunakan metode yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia, terdapat beberapa metode yang dapat digunakan untuk melakukan Topic Modeling, Vector Space Model, serta Similarity Measure yang terdapat di dalamnya. Penelitian ini berfokus untuk mencari kombinasi metode ketiga hal yang telah disebutkan sebelumnya yang dapat memaksimalkan performa metode Text Summarization yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia dengan menggunakan pendekatan hill-climbing. Proses evaluasi dilakukan dengan menggunakan metrik ROUGE-N dalam bentuk F-1 Score pada dua buah dataset yaitu Liputan6 serta IndoSUM. Hasil penelitian menemukan bahwa kombinasi metode yang dapat memaksimalkan performa metode Text Summarization secara ekstraktif yang diperkenalkan oleh Belwal et al. (2021) adalah Non-Negative Matrix Factorization untuk Topic Modeling, Word2Vec untuk Vector Space Model, serta Euclidean Distance untuk Similarity Measure. Kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.291, ROUGE-2 sebesar 0.140, dan ROUGE-3 sebesar 0.079 pada dataset Liputan6. Sementara pada dataset IndoSUM, kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.455, ROUGE-2 sebesar 0.337, dan ROUGE-3 sebesar 0.300. Performa yang dihasilkan oleh kombinasi metode tersebut bersifat cukup kompetitif dengan performa metode lainnya seperti TextRank serta metode berbasiskan model Deep Learning BERT apabila dokumen masukannya bersifat koheren.

---

Extractive text summarization is an issue that can improve the quality of user experience when using an information retrieval system. Research related to extractive text summarization is a language-specific research. In English, there are several studies related to extractive text summarization, one of them is the research of Belwal et al. (2021) They introduced an extractive Text Summarization method based on the Topic Modeling process and Semantic Measure using WordNet. While in Indonesian, there are also several studies related to extractive text summarization, but none have used the same method as introduced by Belwal et al. (2021). In order to use the method introduced by Belwal et al. (2021) in Indonesian, the Semantic Measure process using WordNet must be replaced with Similarity Measure using the Vector Space Model because there is no Indonesian WordNet model that can be used by the public. When using the method introduced by Belwal et al. (2021) in Indonesian, there are several methods that can be used to perform Topic Modeling, Vector Space Model, and Similarity Measure that contained in there. This study focuses on finding a combination of the three methods previously mentioned that can maximize the performance of the Text Summarization method introduced by Belwal et al. (2021) in Indonesian using hill-climbing approach. The evaluation process is carried out using the ROUGE-N metric in the form of F-1 Score on two datasets, namely Liputan6 and IndoSUM. The results of the study found that the combination of methods that can maximize the performance of the extractive text summarization method introduced by Belwal et al. (2021) are Non-Negative Matrix Factorization for Topic Modeling, Word2Vec for Vector Space Model, and Euclidean Distance for Similarity Measure. The combination of those methods has a ROUGE-1 value of 0.291, ROUGE-2 value of 0.140, and ROUGE-3 value of 0.079 in the Liputan6 dataset. Meanwhile, in the IndoSUM dataset, the combination of those methods has a ROUGE-1 value of 0.455, ROUGE-2 value of 0.337, and ROUGE-3 value of 0.300. The performance generated by the combination of those methods is quite competitive with the performance of other methods such as TextRank and Deep Learning BERT model based method if the input document is coherent."

"Konsumen Indonesia telah menunjukkan minat yang meningkat terhadap produk cosmetics termasuk skincare, sehingga meningkatkan persaingan antar cosmetics brands. Untuk melakukan kegiatan promosinya, cosmetics brands memanfaatkan media sosial. Pemahaman tentang bagaimana menggunakan media sosial untuk berkomunikasi dan mempromosikan produknya bisa bermanfaat untuk literatur komunikasi pemasaran. Penelitian ini bertujuan untuk mengidentifikasi topik postingan media sosial dari empat cosmetics brands Indonesia. Penulis mengumpulkan total 21.339 tweets dari keempat brand tersebut dan menerapkan pendekatan text mining (topic modeling dengan metode Latent Dirichlet Allocation). Hasilnya menunjukkan bahwa postingan dari cosmetics brands pada umumnya mencakup topik berikut: product type dan giveaway. Namun, selain topik, beberapa brand juga memasukkan topik khusus seperti special event dan project collaboration.

---

Indonesian consumers have shown increased interest towards cosmetics products including skincare, which has increased the competition among cosmetics brands. Cosmetics brands have utilized social media as one of their promotional tools. Understanding of how brands use social media to communicate and promote its product may be important for marketing communications literature. This study aims to identify the topics of social media posts of four Indonesian cosmetics brands. The authors collected a total of 21.339 tweets from the four brands and implemented a text mining approach (topic modelling by Latent Dirichlet Allocation method). The result indicate that in general cosmetics brands’ posts cover the following topics: product type and giveaway. However, in addition to the topics, some brands also included specific topics such as special event and collaboration project. "

"Permasalahan pengalaman kerja yang buruk sangat berpengaruh besar pada performa perusahaan salah satunya dapat menaikkan nilai indeks employee turnover. Perusahaan Tech Mahindra merupakan perusahaan multinasional yang bergerak di bidang konsultan TI dan memiliki lebih dari 120 ribu karyawan yang tersebar di seluruh dunia, dan saat ini sedang menghadapi masalah tingginya nilai employee turnover. Statistik menunjukkan dari tahun 2015 hingga tahun 2022, nilai turnover perusahaan secara global selalu cenderung di atas batas limit, dan ini menunjukkan masalah yang tidak kunjung selesai dan patut untuk diselidiki.Baik dan buruknya pengalaman kerja saat ini sering diulas oleh karyawan ataupun eks karyawan secara sukarela sebagai personal judgment melalui platform pengulas seperti Glassdoor, Indeed, dan AmbitionBox. Ulasan dari platform tersebut dapat ditambang datanya dan diolah lalu diambil intisarinya. Penelitian ini mencoba untuk mengadopsi teknologi analisis teks menggunakan machine learning seperti analisis sentimen dan pemodelan topik dalam mengetahui orientasi nyata ulasan beserta topik tersembunyi yang dibicarakan oleh pengulas. Algoritma klasifikasi Naïve Bayes Classifier, Support Vector Machine, Decision Tree, Random Forest, K-Nearest Neighbor, dan algoritma pemodelan topik Latent Dirichlet Allocation sukses diaplikasikan.Hasil evaluasi klasifikasi menunjukkan bahwa Random Forest memiliki performa terbaik dengan nilai akurasi keseluruhan sebesar 69.9%, dan penerapan pemodelan topik sukses menemukan 10 topik positif dan 9 topik negatif terkait pengalaman kerja di perusahaan Tech Mahindra. Berdasarkan hasil klasifikasi data juga ditemukan ulasan bebas memiliki populasi positif 66.54%, netral 14.49%, dan negatif 18.97%, dan setelah dianalisis lebih lanjut dengan teori Herzberg ditemukan bahwa working condition, growth, dan coworker relationship menjadi keunggulan dan kemudian salary, recognition, dan policies menjadi kekurangan perusahaan. Dengan fakta yang ditemukan melalui metode adopsi teknologi yang dibentuk, ini menunjukkan kemampuan analisis ulasan yang lebih robust dan akurat dan dapat digunakan untuk Tech Mahindra kedepannya dalam membentuk rekomendasi dalam menghadapi masalah kepuasan kerja.

---

The bad work experience problems have a big influence on the company performance, one of them can increase the value of employee turnover index. Tech Mahindra is a multinational company engaged in IT consulting and has more than 120 thousand employees spread all over the world, and is currently facing the problem of high employee turnover rates. Statistics show that from 2015 to 2022, the global company's turnover value has always been above the maximum limit, and this is a problem that has not been resolved and needs to be fixed as soon as possible.

Good and bad work experiences are often reviewed by employees or former employees voluntarily as personal judgment through many online review platforms like Glassdoor, Indeed, and AmbitionBox. Reviews data from the platform can be mined, processed and then extracted for the insight. This research tries to adopt text analysis technology using machine learning such as sentiment analysis and topic modeling in order to know the review orientation and hidden topics discussed by the reviewers. The classification algorithms such as Naïve Bayes Classifier, Support Vector Machine, Decision Tree, Random Forest, K-Nearest Neighbor, and Latent Dirichlet Allocation for topic modeling algorithms were successfully applied.

The results of the classification evaluation show that Random Forest has the best performance with total accuracy of 69.9%, furthermore in topic modeling, it successfully found 10 positive topics and 9 negative topics related to work experiences at Tech Mahindra. Based on the findings of the review classification, it was also found that free text review had a positive population of 66.54%, neutral 14.49%, and negative 18.97%, and after further analysis with Herzberg theory it was found that working condition, growth, and coworker relationship were the advantages of company and then salary, recognition, and policies were the company weakness. With the facts found through the adoption of technology that has been formed, it showing a more robust and accurate review analysis ability and can be used for Tech Mahindra in the future to gather recommendations in dealing with job satisfaction issues."

"Penelitian dalam tesis ini bertujuan untuk mengeksplorasi isu-isu yang menjadi fokus konsumen terkait layanan pesan antar makanan secara daring selama pandemi COVID-19 di Indonesia melalui data media sosial. Dengan percepatan transformasi digital di industri makanan dan kuliner, bahasan di media sosial mengenai layanan pesan antar makanan cukup meningkat. Terlebih pada masa pandemi COVID-19 di Indonesia telah mengubah kebiasaan konsumen untuk dapat memesan makanan dari rumah atau dari mana saja. Pandemi COVID-19 yang sedang berlangsung menghadirkan tantangan terkait kualitas dan keamanan pangan, kualitas layanan, dan opini konsumen. Penelitian ini menerapkan pendekatan pemodelan topik untuk memahami perspektif konsumen Indonesia terhadap layanan pesan antar makanan secara daring. Komentar dan tweet konsumen di media sosial (Instagram dan Twitter) terkait layanan pesan antar makanan secara daring dari tahun 2020 hingga 2021 dikumpulkan dengan menggunakan pendekatan text mining. Data dianalisis menggunakan pemodelan topik dengan Latent Dirichlet Allocation yang diimplementasikan dengan Python. Hasil penelitian ini menemukan tema dari topik-topik yang dihasilkan, yaitu Manfaat Penghematan Biaya, Manfaat Penghematan Waktu, dan Kepercayaan. Studi penelitian ini menemukan bahwa mengenai penggunaan layanan pesan antar makanan secara daring, persepsi dimensi harga, dan dimensi kualitas layanan elektronik melebihi kekhawatiran mengenai efek COVID-19 seperti kualitas makanan dan risiko keamanan. Wawasan dari penelitian ini akan sangat membantu untuk evaluasi kualitas layanan dan penelitian lebih lanjut di industri pesan antar makanan.

---

This thesis study aims to explore the issues consumers focus on regarding online food delivery services during the COVID-19 pandemic in Indonesia through social media data. With the accelerated digital transformation in the food and culinary industry, social media discussions about food delivery have emerged. The COVID-19 pandemic in Indonesia has changed consumer habits from dining in to ordering food from home or anywhere. The ongoing COVID-19 pandemic presents challenges regarding food quality and safety, service quality, and consumers’ opinions. This study applied the topic modeling approach to understand consumers’ perspectives on online food delivery services. Consumers’ social media comments and tweets (Instagram and Twitter) related to online food delivery services between 2020 and 2021 were collected using a text mining approach. The data were analyzed using topic modeling with Latent Dirichlet Allocation implemented with Python. The results of this study found several themes from the topics conducted with the Latent Dirichlet Allocation model, which are Price-Saving Benefit, Time-Saving Benefit, and Trustworthiness. This study discovered that regarding usage of online food delivery services, the perception of price and e-service quality dimensions overweight the concerns regarding the effect of COVID-19 like food quality and safety risk. Insights from this study will be helpful for the evaluation of service quality and further research in the food delivery industry."

"Memprediksi niat kunjungan kembali memainkan peran penting dalam kebangkitan kembali waktu pandemi yang akan menguntungkan keunggulan kompetitif jangka pendek dan jangka panjang. Penelitian ini mengkaji faktor-faktor penentu niat berkunjung kembali dari analisis sentimen berbasis aspek dan pembelajaran mesin. Pendekatan big data diterapkan pada empat set data atraksi, hotel bintang 4&5, hotel bintang 3, dan motel dengan 49.399 ulasan dari TripAdvisor. Kami menerapkan metode pemodelan topik untuk mengekstrak aspek dan atribut, menghasilkan 10 aspek untuk kategorisasi hotel 4&5 dan kumpulan data atraksi, 6 aspek pada kumpulan data hotel bintang 3 dan Motel. Hasil analisis sentimen menunjukkan bahwa sentimen wisatawan secara positif dan negatif juga mempengaruhi kemungkinan niat berkunjung kembali. Peneliti menerapkan metode Logistic Regression, Random Forest Classifier, Decision Tree, k-NN, dan XGBoost untuk memprediksi niat berkunjung kembali yang menghasilkan tiga topik utama yang mendominasi probabilitas niat berkunjung kembali untuk masing-masing dataset. Aspek Properti pada hotel bintang 4&5 dan hotel bintang 3 mengindikasikan memiliki kemungkinan tinggi untuk niat berkunjung kembali. Sedangkan aspek Motels pada Atmosfir, Aktivitas Wisata, dan Durasi cenderung memiliki probabilitas niat berkunjung kembali. Aspek atraksi pada Harga, Layanan, Suasana meningkatkan kemungkinan niat berkunjung kembali. Studi ini berkontribusi pada pemanfaatan data besar dan pembelajaran mesin di industri pariwisata dan perhotelan dengan berfokus pada strategi inovatif sebagai pengurangan biaya untuk mempertahankan niat kunjungan kembali di kebangkitan kembali dari pandemi.

---

Predicting revisit intention plays a crucial role in the reawakening time of pandemic that will benefit short-term and long-term competitive advantage. This study examines the determiner factors of revisit intention from aspect-based sentiment analysis and machine learning. A big data approach was applied on four datasets of attractions, hotel 4&5 stars, hotel 3 stars, and motels with 49,399 reviews from TripAdvisor. We applied a topic modeling method to extract aspects and attributes, resulting in 10 aspects for hotel 4&5 categorization and attractions dataset, 6 aspects on hotel 3 stars and Motels dataset. Results on sentiment analysis show that tourists’ sentiment in positives and negatives also affect probability of revisit intention. Researchers applied methods of Logistic Regression, Random Forest Classifier, Decision Tree, k-NN, andXGBoost to predict revisit intention resulting in three main topics that have dominated probability on revisit intention for each dataset respectively. Aspect Properties on hotels 4&5 stars and hotel 3 stars indicate to have a high probability of revisit intention. Meanwhile, Motels' aspects on Atmosphere, Tourist Activities, and Duration tend to have a probability of revisit intention. Attraction’s aspects on Price, Services, Ambience increase probability of revisit intention. This study contributes to the utilization of big data and machine learning in tourism and hospitality industry by focusing on an innovative strategy as cost reduction to maintain revisit intention in the reawakening from pandemic."