Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada tahun 2020, nilai customer satisfaction index (CSI) PT XYZ yang mempresentasikan kepuasan konsumen XYZ berjumlah 83.9. Angka ini gagal mencapai target PT XYZ di tahun tersebut yaitu 87, dan turun dari tahun sebelumnya yaitu 86,5 di tahun 2019. Berdasarkan pengambilan data, diketahui bahwa XYZ mengelola aduan konsumen hanya melalui Twitter. Dari ribuan tweet yang diterima akun resmi customer care PT XYZ (@XYZCares) tiap bulan di Twitter, diperkirakan hanya 1-2% yang dideteksi sebagai aduan dengan proses pengawasan manual. Penelitian ini merancang solusi dua langkah berupa implementasi social media listening dalam bentuk sentiment analysis dan topic modelling, untuk mengetahui isu dalam tweet aduan kepada XYZ. Dataset berupa kumpulan tweet yang menyebutkan @XYZCares pada kurun waktu 1 Januari 2020 - 31 Desember 2020. Data di-scrape dari Twitter menggunakan script Python. Hasil evaluasi secara cross-validation menunjukkan akurasi rerata sentiment analysis dengan algoritme SVM lebih akurat (77%) untuk kasus ini dibandingkan algoritme RF (75%). Untuk task pemodelan topik, algoritme LDA menghasilkan klaster topik sejumlah 4 dengan rerata TPC sebesar 80%. Diketahui bahwa topik yang dominan adalah isu korupsi dan suap di badan PT XYZ. Dengan mempertimbangkan penemuan tersebut, saran yang dapat diberikan berdasarkan penelitian ini adalah memberhentikan staf yang diduga terlibat dalam isu-isu tersebut, serta menerapkan good corporate governance berupa aspek pengawasan dan pencegahan korupsi. ......The customer satisfaction index (CSI) for the year 2020 is calculated at 83.9. This value fails to reach the company’s target for the year at 87 and is lower than the CSI value for 2019 at 86.5. Data acquired from the company shows that consumer complaints are accepted and processed only through Twitter. It is estimated that of the thousands of tweets processed by PT XYZ’s official customer care account (@XYZCares) each month, only 1-2% of the tweets are considered complaints based on manual searching and classification. This research proposes a two-step solution by implementing social media listening in the form of sentiment analysis and topic modelling, to detect the most frequent issues addressed to XYZ. The dataset consists of tweets created from January 1st, 2020, to December 31st, 2020 which mentioned @XYZCares. The tweets were scraped from Twitter using Python scripts. The results of cross-validation show that for the task of sentiment analysis, SVM is a more accurate algorithm on average (77%) compared to Random Forest (75%). For the following task of topic modelling, the LDA algorithm model produced 4 topic clusters with an average TPC of 80%. The most dominant topic detected relate to allegations of bribery and corruption within PT XYZ. Taking these finds into consideration, this research suggests that PT XYZ immediately dismiss all staff implicated in the aforementioned cases, as well as implementing good corporate governance in the form of tighter supervision and prevention of corrupt dealings.

Abstrak :
ABSTRAK
Ekstraksi topik merupakan tugas utama dalam penambangan teks sebagai upaya mengeluarkan informasi yang terpendam dalam teks secara heuristik. Proses ini dilakukan lewat pemodelan topik yakni sebuah proses mengidentifikasi topik- topik yang ada dalam sebuah objek teks atau menurunkan pola-pola tersembunyi dalam sebuah korpus teks. Dalam penelitian ini pemodelan topik diaplikasikan pada data teks berbahasa Indonesia menggunakan modul program bernama Gensim dalam bahasa pemrograman Python. Dataset terdiri dari 93 dokumen berita daring Kompas dengan beragam klasifikasi. Jumlah topik optimal yang diperoleh diuji menggunakan machine learning clustering k-means. Dalam proses penelitian ini ternyata diperlukan suatu mekanisma umpanbalik manual untuk mereduksi noise agar diperoleh pemodelan topik yang lebih baik. Hasil uji memperlihatkan teknik Latent Dirichlet Allocation LDA yang telah ditingkatkan / dimodifikasi LDA as LSI memiliki koherensi topik yang jauh lebih baik dibanding teknik LDA saja dalam penelitian ini: 0.94 dibanding 0.34 . Koherensi yang tinggi mengindikasikan bahwa topik hasil pemodelan ini merupakan topik yang dapat dijelaskan dengan sedikit label.

---

ABSTRACT
Topic extraction is main task in text mining as an effort to dig buried information within text heuristically. This process is done through topic modeling, a process to identify topics within text object or to derive hidden patterns in a text corpus. In this research, topic modeling is applied to Indonesian language texts using Gensim module in Python programming language. The dataset consists of 93 online news documents from Indonesian national newspaper, Kompas, with several different classifications. The identified optimum number of topics k is visualized using clustering machine learning k means. In the process of this research turned out to need a mechanism of manual feedback for noise reduction in order to get better topic modeling. The test results show that enhanced modified Latent Dirichlet Allocation LDA as LSI has a much better topic coherence than LDA technique alone in this study 0.94 compared to 0.34 . High coherence indicates that topics resulting from this topic modeling is a topic that can be explained with few labels.

Abstrak :
ABSTRAK
Penggunaan 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.

---

ABSTRACT
The 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.