Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
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.

Abstrak :
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.

Abstrak :
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. 

Abstrak :
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.

Abstrak :
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.

Abstrak :
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.

Abstrak :
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.

Abstrak :
Tren adalah suatu pola yang berulang, sementara analisis tren merupakan praktik pengumpulan dan analisis data dalam upaya untuk menemukan pola tersebut. Analisis tren adalah suatu metode untuk memproyeksikan kondisi masa depan berdasarkan data masa lalu hingga saat ini. Tinjauan literatur sistematis, bibliometrik, dan topic modeling adalah beberapa contoh pendekatan yang sering dipakai untuk menangkap fenomena perkembangan tren sains dan teknologi. Penelitian ini bertujuan untuk melakukan pengujian dan implementasi algoritma deteksi topik berbasis clustering yang dikombinasikan dengan analisis kualitatif dalam pendeteksian tren topik untuk mendapatkan gambaran yang menyeluruh mengenai konsep, struktur ilmiah, topik utama, dan perkembangan bidang teknologi big data dan smart sustainable city. Analisis topik dilakukan terhadap kumpulan data bibliografi publikasi ilmiah terkait kedua bidang tersebut yang didapat dari basis data Scopus dan CORE. Pengujian terhadap kinerja algoritma Deep-autoencoder based Fuzzy C-Means (DFCM) untuk deteksi topik dari corpus dokumen publikasi ilmiah menunjukkan bahwa algoritma DFCM menunjukkan kinerja yang baik serta dapat mengungguli kinerja algoritma-algoritma standar yang banyak dipakai untuk pendeteksian topik seperti Non-negatif Matrix Factorization (NMF) dan Latent Dirichlet Allocation (LDA) pada corpus dengan ukuran besar. Analisis hasil clustering terhadap data publikasi ilmiah memberikan gambaran perkembangan dan topik-topik yang menjadi “highlight” dalam periode tertentu, mencari research gap dan mengetahui karakteristik penelitian, serta memprediksi topik penelitian apa saja yang menjanjikan di masa depan. ......A trend is a recurring pattern, while trend analysis is the practice of collecting and analyzing data to find that pattern. Trend analysis is a method for projecting future conditions based on past to present data. Systematic literature review, bibliometrics, and topic modeling are examples of approaches that are often used to capture the phenomenon of the development of science and technology trends. This study examined and implemented clustering-based topic detection algorithms, combined with qualitative analysis, to comprehensively picture the concept, scientific structure, main topics, and developments in big data technology and smart and sustainable city. The topic analysis is performed on collecting bibliographic data from scientific publications related to these two fields obtained from the Scopus and CORE database. In this research, the deep-autoencoder based on the Fuzzy C-Means (DFCM) algorithm's performance for topic detection from the corpus of scientific publication documents was examined. Based on the experiment's results, it can be concluded that the DFCM algorithm shows good performance and can outperform standard algorithms that are widely used for topic detection, such as Non-negative Matrix Factorization (NMF) and Latent Dirichlet Allocation (LDA) on topic detection tasks in huge corpus text. The clustering results analysis on scientific publication data provides an overview of research topics and developments that become "highlights" in a certain period, discover research gaps and characteristics, and predict what research topics are promising in the future.

Abstrak :
Pemerintah meluncurkan aplikasi pelacakan kontak bernama aplikasi PeduliLindungi untuk menghentikan penyebaran COVID-19. Namun aplikasi ini hanya memiliki 55 juta atau hanya sekitar 20% dari jumlah penduduk Indonesia. Jumlah tersebut dinilai kurang untuk membantu mengatasi COVID-19. Setidaknya diperlukan 60% dari populasi yang menggunakan aplikasi pelacakan kontak sehingga penggunaan aplikasi pelacakan kontak menjadi efektif. Kualitas layanan merupakan faktor pengaruh dominan terhadap niat adopsi pengguna. Rendahnya kualitas layanan suatu aplikasi dapat mempengaruhi keinginan masyarakat untuk menggunakan aplikasi. Penelitian ini bertujuan untuk mengukur kualitas layanan aplikasi pelacakan kontak berdasarkan ulasan pengguna. Penelitian ini menggunakan metode pemodelan topik untuk memperoleh dimensi kualitas layanan serta analisis sentimen untuk mengukur kualitas layanan. Penelitian ini terdiri dari (1) pengumpulan ulasan pengguna aplikasi PeduliLindungi, (2) pra-pemrosesan dari data ulasan yang sudah diekstrak, (3) mengklasifikasikan ulasan ke topik/ dimensi kualitas layanan, (4) mengukur skor kualitas layanan setiap dimensi kualitas layanan, dan (5) mengevaluasi total skor untuk kualitas layanan dari aplikasi PeduliLindungi. Penelitian ini menghasilkan beberapa temuan. Pertama, dari berbagai dimensi kualitas layanan diketahui bahwa dimensi system efficiency, functional benefit, system availability, dan emotional benefit menjadi faktor penting oleh pengguna aplikasi pelacakan kontak. Skor kualitas layanan pada setiap dimensi adalah 66.5% untuk dimensi system efficiency, 54.4% untuk dimensi functional benefit, 51.5% untuk dimensi system availability, dan 46.2% untuk dimensi emotional benefit. Skor kualitas layanan aplikasi PeduliLindungi secara keseluruhan adalah 40.6%. ......The government has launched a contact tracing application called the PeduliLindungi application to stop the spread of COVID-19. However, this application only has 55 million or only about 20% of Indonesia's population. This amount is considered insufficient to help overcome COVID-19. At least 60% of the population is required to use contact tracing applications for the use of contact tracing applications to be effective. Service quality is the dominant influence factor on user adoption intention. Service quality level can affect people's desire to use the application. This study aims to measure the service quality of contact tracing applications based on user reviews. This study uses the topic modeling method to obtain service quality dimensions and sentiment analysis to measure service quality. This research consists of (1) collecting user reviews of PeduliLindungi, (2) pre-processing the extracted review data, (3) classifying reviews into topics/service quality dimensions, (4) measuring service quality scores for each service quality dimension, and (5) evaluate the total score for the service quality of the PeduliLindungi application. This research produced several findings. First, from various service quality dimensions, it is known that the service quality dimensions of a contact tracing application are system efficiency, functional benefit, system availability, and emotional benefit are important factors for contact tracing application users. The service quality score on each dimension is 66.5% for the system efficiency dimension, 54.4% for the functional benefit dimension, 51.5% for the system availability dimension, and 46.2% for the emotional benefit dimension. The overall PeduliLindungi service quality score is 40.6%.