Claim Missing Document
Check
Articles

Found 2 Documents
Search

Pengajuan Artikel Jurnal – IDENT Identifikasi Faktor Dominan untuk Sentimen Negatif Masyarakat Terhadap Pelemahan Rupiah Menggunakan NLP dan Topic Modeling LDA Zesi Walikhsani; Winda Anggaraeni; Riska Dwi Handayani
Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi Vol. 3 No. 4 (2026): SINTA: JULI (special issue Machine Learning)
Publisher : Berkah Tematik Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61124/sinta.v3i3.303

Abstract

Pergerakan nilai tukar rupiah yang cenderung melemah terhadap mata uang asing menjadi salah satu isu ekonomi yang banyak mendapat perhatian dari masyarakat. Kondisi tersebut tidak hanya berdampak pada stabilitas perekonomian nasional, tetapi juga dapat mempengaruhi aktivitas ekonomi masyarakat secara langsung. Seiring meningkatnya penggunaan media sosial, berbagai tanggapan dan opini terkait pelemahan rupiah banyak disampaikan melalui platform digital, sehingga dapat dimanfaatkan sebagai sumber informasi untuk memahami pandangan publik. Seiring meningkatnya penggunaan media sosial, berbagai tanggapan dan opini terkait pelemahan rupiah banyak disampaikan melalui platform digital, sehingga dapat dimanfaatkan sebagai sumber informasi untuk memahami pandangan publik. Meskipun penelitian analisis sentimen telah banyak digunakan, sebagian besar masih terbatas pada pengelompokan opini ke dalam kategori sentimen tertentu tanpa mengungkap faktor yang melatarbelakangi munculnya sentimen tersebut. Oleh karena itu, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor utama yang membentuk sentimen negatif masyarakat terhadap pelemahan nilai tukar rupiah dengan memanfaatkan pendekatan Natural Language Processing (NLP) dan metode Topic Modeling Latent Dirichlet Allocation (LDA). Data yang digunakan berjumlah 5.000 unggahan dari platform X (Twitter) yang telah diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Tahapan penelitian meliputi preprocessing teks, pembobotan kata menggunakan TF-IDF, analisis distribusi sentimen, serta pemodelan topik dengan algoritma LDA. Hasil analisis menunjukkan bahwa sentimen negatif merupakan kategori yang paling dominan dengan proporsi 40,78% atau sebanyak 2.039 data. Pengujian model menghasilkan nilai Coherence Score sebesar 0,5255 dengan tiga topik optimal. Faktor yang paling berpengaruh terhadap terbentuknya sentimen negatif adalah dampak ekonomi domestik dengan bobot rata-rata 0,4007, diikuti oleh sentimen investor sebesar 0,3777 dan faktor teknis maupun global sebesar 0,2216. Temuan ini mengindikasikan bahwa perhatian masyarakat lebih banyak tertuju pada dampak ekonomi yang dirasakan secara langsung dibandingkan pengaruh faktor eksternal.
Prediksi Churn Pelanggan Spotify Menggunakan XGBoost Berbasis Smote untuk Mengatasi Imbalanced Data Perilaku Streaming Yakiya Ratna Sari; Novia Ardani; Zesi Walikhsani
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 2 No. 2 (2026): Juli 2026
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v2i2.163

Abstract

Persaingan di industri layanan musik streaming sangat ketat, sehingga platform seperti Spotify perlu memahami perilaku konsumen dengan lebih baik, terutama tentang mengapa pelanggan berhenti menggunakan layanan mereka. Penelitian ini berfokus pada membuat model yang dapat memprediksi pelanggan mana yang mungkin berhenti menggunakan Spotify. Untuk membuat model ini, penelitian ini menggunakan algoritma Extreme Gradient Boosting atau XGBoost, yang dikombinasikan dengan metode Synthetic Minority Over-sampling Technique atau SMOTE. SMOTE digunakan untuk mengatasi masalah ketidakseimbangan data, di mana jumlah pelanggan yang berhenti menggunakan layanan sangat sedikit dibandingkan dengan yang tetap menggunakan. Data yang digunakan dalam penelitian ini berasal dari Kaggle dan terdiri dari 50.000 data pengguna dengan 18 atribut perilaku, seperti berapa lama mereka mendengarkan musik setiap minggu, seberapa sering mereka melewatkan lagu, berapa banyak playlist yang mereka buat, jenis langganan mereka, dan informasi demografis. Proses penelitian meliputi memahami data, menentukan target, membersihkan data, membuat fitur baru, dan membagi data menjadi dua bagian untuk pelatihan dan pengujian. SMOTE digunakan untuk membuat data pelatihan lebih seimbang, sehingga model dapat memprediksi dengan lebih akurat. Penelitian ini juga melakukan pengoptimalan parameter model melalui RandomizedSearchCV untuk mendapatkan hasil terbaik. Setelah melakukan evaluasi, model XGBoost dengan SMOTE menunjukkan hasil yang sangat baik, dengan akurasi sebesar 0,9345, presisi sebesar 0,7067, recall sebesar 1,0000, F1-Score sebesar 0,8281, dan AUC-ROC sebesar 0,9610. Hasil cross-validation juga menunjukkan bahwa model ini sangat stabil dan dapat digeneralisasi dengan baik. Analisis lebih lanjut menunjukkan bahwa fitur “inactive_3_months_flag” adalah prediktor terpenting untuk memprediksi pelanggan yang berhenti menggunakan layanan, diikuti oleh “months_inactive” dan “inactive_listen_ratio". Ini berarti bahwa pelanggan yang tidak aktif selama tiga bulan atau lebih memiliki kemungkinan lebih tinggi untuk berhenti menggunakan layanan. Dengan memahami faktor-faktor ini, Spotify dapat mengambil langkah untuk mencegah pelanggan berhenti menggunakan layanan mereka dan meningkatkan kepuasan pelanggan secara keseluruhan.