Hasil Pencarian  ::  Simpan CSV :: Kembali

"PT XYZ merupakan salah satu agency pemasaran digital yang berfokus melakukan proses pemasaran melalui berbagai platform media sosial untuk perusahaan-perusahaan dari berbagai industri. Salah satu layanan yang disediakan oleh PT XYZ adalah layanan data & insight analysis, termasuk untuk melakukan pemantauan percakapan media sosial dari brand beserta kompetitornya dengan menganalisis sentimen dan topik untuk memenuhi permintaan klien. Salah satu brand pada industri smartphone yang menjadi klien dari PT XYZ memiliki produk yang banyak, dimana masing-masing produk dan kompetitornya dilakukan pemantauan secara bersamaan. Dengan banyaknya percakapan yang dihasilkan oleh jumlah produk yang banyak, proses pengerjaan untuk analisis menjadi terbatas dan terlalu menghabiskan banyak waktu karena masih menggunakan proses pelabelan secara manual. Oleh karena itu, sistem otomatis diusulkan untuk PT XYZ dengan melakukan analisis sentimen berbasis aspek yang bertujuan untuk memudahkan dan mempersingkat proses pengerjaan pemantauan. Data yang digunakan adalah data mengenai smartphone pada Twitter yang berjumlah 11.641 tweet dalam periode akhir tahun 2022. Data yang terkumpul memiliki kondisi imbalance class, sehingga metode penanganan imbalance class SMOTE digunakan. Tahap pra-pemrosesan; ekstraksi fitur dengan memanfaatkan leksikon, POS tagging dan TF-IDF; dilakukan sebelum data dimodelkan dengan algoritma pembelajaran mesin. Penelitian ini mendapatkan hasil bahwa Support Vector Machine (SVM) dengan SMOTE memiliki hasil evaluasi yang lebih tinggi dibandingkan dengan Naïve Bayes, baik untuk klasifikasi sentimen dan juga aspek. Hasil evaluasi SVM pada klasifikasi sentimen adalah sebesar 0,92 untuk setiap metrik akurasi, precision, recall, dan f1-score. Sedangkan untuk klasifikasi aspek, SVM mendapatkan hasil evaluasi sebesar 0,79 untuk akurasi, precision, dan recall, serta 0,77 untuk f1-score. Masalah imbalance class pada data memengaruhi hasil akhir klasifikasi, terutama untuk klasifikasi aspek.

---

PT XYZ is a digital marketing agency that specializes in marketing strategies through various social media platforms for businesses across multiple industries. Data and insight analysis is one of the services offered by PT XYZ, which includes monitoring social media conversations from brands and their competitors by analyzing sentiments and topics based on client needs. One of PT XYZ's clients in the smartphone industry has a large number of products, and each product and its competitors are monitored simultaneously. With so many conversations generated by a large number of products, the analysis process is constrained and time-consuming because it still relies on a human tagging approach. Therefore, an automated approach based on aspect-based sentiment analysis is presented for PT XYZ in order to simplify and shorten the monitoring process. The data used is Twitter data regarding smartphones, totaling 11,641 tweets in the near- end period of 2022. Because the gathered data has an imbalance class condition, the SMOTE class imbalance handling method is applied. Before the data is modeled with machine learning techniques, pre-processing and feature extraction are performed using the lexicon, POS tagging, and TF-IDF. This study discovered that the Support Vector Machine (SVM) with SMOTE outperforms Nave Bayes in both sentiment and aspect classification. The accuracy, precision, recall, and f1-score of the SVM evaluation on sentiment classification were all 0.92. In terms of aspect classification, SVM received an evaluation score of 0.79 for accuracy, precision, and recall; and 0.77 for the f1-score. The issue of class imbalance in the data has an impact on the final classification results, especially for aspect classification."

"Persaingan antar perusahaan semakin sengit seiring waktu. Banyak perusahaan optimis akan performanya di masa depan, namun banyak juga perusahaan yang tidak yakin dapat bersaing. Kesulitan ini terutama dihadapi oleh perusahaan-perusahaan pada sektor dengan potensi besar yang diperebutkan seperti sektor video game. Perusahaan-perusahaan tersebut perlu memerhatikan persepsi / sentimen pelanggan agar dapat meningkatkan dan mempertahankan daya saingnya dalam jangka panjang. Persepsi ini umumnya ditunjukkan pelanggan melalui ulasan mereka terhadap produk perusahaan. Dengan demikian, perusahaan video game dapat mengidentifikasi kesempatan pengembangan atau peningkatan daya saing dengan memerhatikan persepsi pelanggan dari ulasan video game. Pembuatan model dengan metode Aspect Category Sentiment Analysis, salah satu bagian dari rangkaian metode Aspect-based Sentiment Analysis, dapat menjadi salah satu solusi agar perusahaan video game dapat melakukan hal tersebut. Oleh karena itu, penelitian ini memakai metode Aspect Category Sentiment Analysis secara unsupervised untuk membuat model sebagai solusi terhadap permasalahan perusahaan video game dan perusahaan lain yang kesulitan bersaing. Model tersebut dibuat dengan memanfaatkan vektor yang dihasilkan oleh model Word Embedding untuk merepresentasikan hubungan sentimen antar kata yang ada di ulasan video game. Hasil evaluasi menunjukkan bahwa model yang dibuat dapat merepresentasikan hubungan sentimen terhadap aspek video game yang diulas oleh pelanggan. Informasi ini kemudian dapat dipetakan agar perusahaan video game dapat mengidentifikasi kesempatan pengembangan atau peningkatan daya saing.

---

Competition among firms is intensifying over time. Many are optimistic about its future growth, but there are also many who are unsure about their own competitive capabilities. This pessimistic outlook is shared by a lot of firms in business sectors with many yet heavily contested business opportunities such as the video game sector. These firms must pay closer attention to the perception or sentiment of their customers so they can increase and maintain their long-term competitiveness. Such perception is generally expressed by customers through their product reviews. Hence, video game companies can identify product development opportunities or unknown competitive advantages/disadvantages by closely monitoring customer perception from video game reviews. Models created through Aspect Category Sentiment Analysis, a sub-discipline of Aspect-based Sentiment Analysis, can be a solution for video game companies to do such an endeavor. Therefore, this research created an unsupervised Aspect Category Sentiment Analysis model as a solution for video game companies and companies that face a similar problem. The model is created by utilizing the capability of word vectors from word embeddings to represent semantic relationships such as sentiment toward video game aspects that are mentioned in customer reviews. Thorough numerical and qualitative evaluation shows that the model can reliably represent such sentiment. Video game companies can then map the sentiment that is identified by the model to identify product development opportunities or unknown competitive advantages/disadvantages."

"Kepolisian Republik Indonesia (Polri) merupakan alat negara yang terus berusaha memberikan pelayanan publik secara prima salah satu nya dengan melakukan inovasi dengan memanfaatkan teknologi dalam memberikan pelayanan SIM melalui aplikasi bernama Digital Korlantas Polri. Namun sejak aplikasi tersebut diluncurkan pada tahun 2021 hingga tahun 2022 terdapat pemberitaan di berita online terkait kendala pada aplikasi dalam perpanjangan SIM online yang tidak berjalan sebagaimana semestinya. Penelitian ini bertujuan untuk melihat bagaimana pandangan masyarakat sebagai pengguna layanan dari Twitter dan Play Store. Data yang digunakan dalam penelitian ini berasal dari Twitter dan Play Store sebanyak 5944 data. Analisis dilakukan dengan membangun model klasifikasi relevansi, aspek, dan sentimen pada aspek reliability, efficiency, trust, dan citizen support. Algoritma yang digunakan yaitu Decision Tree, Logistic Regression, dan SVM. Hasil pemodelan klasifikasi dengan performa yang paling tinggi dalam klasifikasi relevansi, aspek, dan sentimen pada tiap aspek dihasilkan oleh algoritma Logistic Regression dengan TF-IDF unigram dan SMOTE. Pada model klasifikasi relevansi didapatkan nilai accuracy sebesar 87.05%, precision sebesar 87.38%, recall sebesar 87.04%, dan f1 score sebesar 87.16%. Pada model klasifikasi aspek, nilai accuracy sebesar 74.28%, precision sebesar 75.93%, recall sebesar 74.27%, dan f1 score sebesar 74.70%. Pada model klasifikasi sentimen pada masing-masing aspek, model klasifikasi sentimen pada aspek citizen support mendapatkan nilai yang paling tinggi dibanding aspek lain yaitu dengan nilai accuration sebesar 95.38%, precision sebesar 95.60%, recall sebesar 95.38%, dan f1-score sebesar 94.05%. Pada penelitian ini menghasilkan temuan sentimen pada masing-masing aspek dalam layanan perpanjang SIM online di aplikasi Digital Korlantas Polri dimana reliability merupakan aspek yang paling banyak dikemukakan dan mendapat sentimen negatif, kemudian diikuti oleh aspek efficiency, citizen support, dan aspek trust.

---

The Indonesian National Police (Polri) continues to strive to provide excellent public services, one of which is by innovating by utilizing technology in providing SIM services through an application called Digital Korlantas Polri. However, since the application was launched in 2021 to 2022 there have been reports in online news regarding problems with applications, so it is necessary to conduct research regarding how the public views the application as service users and maps these views into aspects which affect the quality of government services so that service providers can take improvement to realize excellent service delivery. The data used in this study are from Twitter and Play Store as many as 5944 data. The analysis is carried out by building a classification model of relevance, aspect, and sentiment on the aspects of reliability, efficiency, trust, and citizen support. The algorithms used are Decision Tree, Logistic Regression, and SVM. The results of classification modeling with the highest performance in the classification of relevance, aspect, and sentiment for each aspect were produced by the Logistic Regression algorithm with the TF-IDF unigram and SMOTE. In the relevance classification model, the accuracy value is 87.05%, precision is 87.38%, recall is 87.04%, and f1 score is 87.16%. In the aspect classification model, the accuracy value is 74.28%, precision is 75.93%, recall is 74.27%, and f1 score is 74.70%. In the sentiment classification model for each aspect, the sentiment classification model for the citizen support aspect gets the highest score compared to other aspects, namely with an accuracy value of 95.38%, a precision of 95.60%, a recall of 95.38%, and an f1-score of 94.05% . This study produced sentiment findings for each aspect of the online SIM service in the Digital Korlantas Polri application where reliability was the aspect that was most frequently raised and received negative sentiment, followed by aspects of efficiency, citizen support, and trust."

"ABSTRAKPenggunaan layanan transportasi daring sebagai solusi permasalahan transportasi saat ini menjadi pusat perhatian. Manfaat dan kemudahan yang ditawarkan membuat banyak orang menggunakannya dalam kehidupan sehari-hari dan mendiskusikannya di media sosial. Akibatnya, penyedia jasa transportasi daring memanfaatkan media sosial untuk menangkap opini pelanggan dan memasarkan layanan mereka. Jika opini dan komentar pelanggan tentang transportasi daring dianalisis lebih lanjut, penyedia layanan dapat memperoleh masukan untuk mengevaluasi layanan mereka untuk memenuhi kepuasan pelanggan. Penelitian ini menggabungkan pendekatan text mining berupa analisis sentimen berbasis aspek untuk mengidentifikasi topik dalam opini pelanggan beserta sentimennya, dengan penilaian terhadap penyedia jasa transportasi daring secara umum dan secara spesifik berdasarkan topik dan sentimen yang dihasilkan. Penelitian ini menggunakan data opini pelanggan tiga penyedia jasa transportasi daring di Twitter. Data teks diklasifikasikan berdasarkan enam topik yang didapat dari proses pemodelan topik, beserta sentimennya. Penilaian terhadap ketiga penyedia jasa transportasi daring menggunakan jumlah komentar positif dan negatif dari masing-masing topik maupun secara keseluruhan. Hasil dari penelitian ini dapat digunakan sebagai masukan untuk melakukan evaluasi dan peningkatan layanan sehingga kepuasan dan loyalitas pelanggan dapat dipertahankan dan ditingkatkan.

---

ABSTRACTThe use of ride hailing service as a solution to current transportation problems is at the center of attention. The benefits and conveniences offered make many people use it in everyday life and discuss it in social media. As a result, ride hailing service providers utilize social media to capture customers rsquo opinions and market their services. If customers 39 opinions and comments about ride hailing service are analyzed further, service providers can get feedback to evaluate their services to meet customer satisfaction. This study combines text mining approach in the form of aspect based sentiment analysis to identify topics in customer opinions and their sentiments, with scoring for ride hailing service providers in general and specifically based on the topics and sentiments. This study used customers rsquo opinions to three ride hailing service providers on Twitter. Text data was classified based on six topics derived from the topic modeling process, along with its sentiments. Scoring for the three ride hailing service providers used the number of positive and negative comments from each topic as well as overall. The result of this study can be used as input to evaluate and improve the service so that customer satisfaction and loyalty can be maintained and improved."