Laporan Magang Di PT. Mediawave Interactive Bandung

LAPORAN MAGANG
MENENTUKAN BRAND TERBAIK MENGGUNAKAN

ANALISIS SENTIMEN DATA DALAM KEGIATAN SOCIAL
MEDIA AWARD 2018 PADA PT. MEDIAWAVE INTERACTIVE
Disusun oleh,
MUHAMMAD FARID
1401142360
PROGRAM STUDI S1 MANAJEMEN BISNIS

TELEKOMUNIKASI DAN INFORMATIKA
FAKUTAS EKONOMI DAN BISNIS
UNIVERSITAS TELKOM
2018
LEMBAR PENGESAHAN 1
Yang bertandatangan dibawah ini
Nama : Acep Ahman Hidayat
NIP : 1200113
Jabatan : Staff Divisi Digital Producer
Menerangkan bahwa mahasiswa

Nama : Muhammad Farid
NIM : 1401142360
Program Studi : S1 MBTI
Telah menyelesaikan magang di

Nama Perusahaan : PT. Mediawave Interactive
Alamat Perusahaan : Parahyangan Business Park Blok D No. 5, The Suites
Metro. Jl. Soekarno Hatta No. 689B Kota Bandung
Bidang : Digital Producer
Waktu Pelaksanaan : 21 Mei 2018 – 17 Juli 2018
Bandung, 17 Juli 2018
Acep Ahman Hidayat

1200113
i
LEMBAR PENGESAHAN 2
Laporan magang dengan judul
Menentukan Brand Terbaik Menggunakan Analisis Sentimen Data

Dalam Kegiatan Social Media Award 2018 Pada PT. Mediawave
Interactive
telah disetujui dan disahkan pada presentasi Laporan Magang

Fakultas Ekonomi dan Bisnis
Program Studi S1 Manajemen Bisnis Telekomunikasi dan Informatika
Universitas Telkom

Pembimbing Akademik,
Drs. Arif Partono Prasetio, M.M, CPHR

NIP. 13670015
ii
KATA PENGANTAR
Puji syukur atas kehadirat Allah SWT yang telah melimpahkan segala rahmat dan
hidayah-Nya, sehingga penulis dapat menyelesaikan laporan magang dengan tiada
suatu hambatan apapun.
Penulis menyadari banyak kesulitan yang dihadapi dan tentunya penulis telah
mendapat dukungan, semangat serta bimbingan dari berbagai pihak. Untuk itu Penulis
mengucapkan terima kasih kepada :
1. Bapak Hadrian Febri selaku kepala dari divisi digital producer di PT. Mediawave
Interactive.
2. Bapak Acep Ahman Hidayat selaku staff digital producer dan juga selaku
pembimbing magang pada PT. Mediawave Interactive yang bersedia dengan sabar
untuk membimbing dan membantu penulis selama kegiatan magang hingga
menyelesaikan laporan magang.
3. Drs. Arif Partono Prasetio, M.M, CPHR selaku pembimbing magang yang telah
memberikan segala perhatian dan senantiasa membimbing dan memberikan
pengarahan selama penulis membuat laporan ini.
4. Pihak-pihak yang tidak bisa disebutkan satu-persatu yang senantiasa mendukung
proses kegiatan magang ini berlangsung dan yang telah membantu penulis dalam
menyelesaikan laporan magang.
Penulis menyadari bahwa penulisan laporan ini masih jauh dari kesempurnaan.
Penulis berharap semoga segala kekurangan yang ada pada tugas ini dapat dijadikan
sebagai bahan pembelajaran dimasa yang akan datang dan dapat bermanfaat untuk kita
semua.
Muhammad Farid
iii
DAFTAR ISI
LEMBAR PENGESAHAN 1 ...................................................................................... i
LEMBAR PENGESAHAN 2 ..................................................................................... ii
KATA PENGANTAR ................................................................................................ iii
DAFTAR ISI............................................................................................................... iv
DAFTAR TABEL ...................................................................................................... vi
DAFTAR GAMBAR ................................................................................................. vii
BAB I PENDAHULUAN ............................................................................................ 1
1.1 Profil Perusahaan .................................................................................................... 1
1.1.1 Visi dan Misi Perusahaan ..................................................................................... 2
1.1.2 Struktur Organisasi .............................................................................................. 2
1.1.3 Strategi Bisnis ...................................................................................................... 4
1.1.4 Aspek Praktek Manajemen .................................................................................. 4
1.1.4.1 Aspek Produksi ................................................................................................. 4
1.1.4.2 Aspek Keuangan ............................................................................................... 5
1.1.4.3 Aspek Pemasaran .............................................................................................. 6
1.1.4.4 Aspek Sumber Daya Manusia ........................................................................... 6
1.2 Lingkup Unit Kerja ................................................................................................. 7
1.2.1 Lokasi Unit Kerja Praktek (Magang) ................................................................... 7
1.2.2 Lingkup Penugasan .............................................................................................. 7
1.2.3 Rencana dan Penjadwalan Kerja .......................................................................... 8
BAB II KAJIAN TEORITIS...................................................................................... 9
2.1 Information and Communication Technology ........................................................ 9
2.1.1 Definisi Information and Communication Technology ....................................... 9
2.1.2 Fungsi Information and Communication Technology ....................................... 10
2.1.3 Kaitan Information and Communication Technology dengan Big Data............ 11
2.2 Big Data ................................................................................................................ 12
2.2.1 Definisi Big Data ............................................................................................... 12
iv
2.2.2 Fungsi Big Data ................................................................................................. 13
2.3 Data Mining .......................................................................................................... 13
2.3.1 Definisi Data Mining ......................................................................................... 13
2.3.2 Fungsi Data Mining ........................................................................................... 14
2.4 Analisis Sentimen ................................................................................................. 15
2.4.1 Definisi Analisis Sentimen ................................................................................ 15
2.4.2 Fungsi Analisis Sentimen .................................................................................. 16
2.4.3 Manfaat Analisis Sentimen ................................................................................ 17
2.4.4 Hambatan Analisis Sentimen ............................................................................. 20
2.4.5 Cara Mengukur Analisis Sentimen .................................................................... 23
BAB III AKTIVITAS PENUGASAN MAGANG .................................................. 30
3.1 Realisasi Kegiatan Magang................................................................................... 30
3.2 Relevansi Teori dan Praktek ................................................................................. 57
3.3 Permasalahan ........................................................................................................ 59
BAB IV REKOMENDASI ....................................................................................... 61
DAFTAR PUSTAKA ................................................................................................ 62
v
DAFTAR TABEL
Tabel 1.1 Rencana dan Penjadwalan Kerja ................................................................... 8
Tabel 3.1 Tabel Aktivitas Magang.............................................................................. 30
Tabel 3.2 Tabel Alur Kegiatan Social Media Award 2018 ......................................... 59
vi
DAFTAR GAMBAR
Gambar 1.1 Logo PT. Mediawave Interactive .............................................................. 1
Gambar 1.2 Struktur Organisasi Perusahaan ................................................................ 2
Gambar 1.3 Struktur Divisi Perusahaan ........................................................................ 3
Gambar 1.4 Monitoring Kegiatan social media award 2018 ....................................... 8
vii
BAB I
PENDAHULUAN
1.1 Profil Perusahaan
Gambar 1.1 Logo PT. Mediawave Interactive

Sumber: Divisi Digital Producer PT. Mediawave Interactive Bandung, 2018
PT. Mediawave Interactive adalah perusahaan yang bergerak dibidang jasa yang
didirikan pada 15 Juni 2010. Perusahaan ini merupakan pelopor dibidang social media
monitoring and measurement di Indonesia. Bisnis jasa yang dijalankan oleh PT.
Mediawave Interactive berfokus pada social media monitoring and analytics,
marketing communication, integrated marketing communication, dan social media
monitoring political tracking. Pada praktiknya, PT. Mediawave Interactive
memaksimalkan potensi media sosial yang ada dengan cara memonitor aktivitas user
di media sosial untuk mendapatkan gambaran dari kualitas suatu brand secara
keseluruhan seperti dampak dari promosi penjualan, meninjau aktivitas kompetitor,
dan mencari seberapa banyak nama suatu brand tersebut disebutkan.
PT. Mediawave Interactive memiliki kantor yang berlokasi di Kota Bandung dan
Jakarta. Saat ini PT. Mediawave Interactive sudah memiliki klien dengan jumlah
sekitar 60, antara lain BNI, Yamaha, BCA, Samsung, Lenovo, Garuda Food, Unilever,
dan Telkomsel. Dalam memenuhi permintaan semua kliennya, PT. Mediawave
Interactive menggunakan beberapa macam metode, diantaranya adalah Share of
Netizen, Share of Voice, Engagement, Reach, Share of Influencer, Share of Category,
Media Distribution, Share of Media, SIM Score, Sentiment Index, Net Sentiment, Share
1
of Sentiment, Complaint Visibility, Earned Media Share by Sentiment, Brand
Favourable Talkability, Net Brand Reputation dan Response Time (Hidayat, 2018).
1.1.1 Visi dan Misi Perusahaan
PT. Mediawave Interactive memiliki visi yaitu menjadi perusahaan social media
monitoring and measurement terbesar di Indonesia, visi tersebut menggambarkan
tujuan utama PT. Mediawave Interactive yaitu menjadi market leader dibidang
monitoring media sosial. Sementara itu PT. Mediawave Interactive memiliki misi
menyediakan layanan untuk membantu brand suatu perusahaan dalam komunikasi dua
arah dengan para konsumen dan menyediakan strategi digital melalui Social Media
Media Monitoring & Analytics, Marketing Communication, Integrated Marketing
Communication, dan Social Media Monitoring Political Tracking (Hidayat, 2018).
1.1.2 Struktur Organisasi
Chief Executife
Officer (CEO)
Chief Marketing
Officer (CMO)
Human Resource Finance and Head of Business

Head Strategic Head Digital Head of Digital
General Affairs Accounting Information and Development
Communication Analyst Producer
(HRGA) (F&A) Technology (IT) Manager
Corporate System Search Engine Social Media Creative Interaction Account

Office Boy Senior Analyst Digital Producer
Designer Engineering Optimalization Strategy Designer Strategist Executive
Social Media Interaction

Web Native Analyst
Admin Officer
User Interface-
Front End
Developer
Back End
Developer
Gambar 1.2 Struktur Organisasi Perusahaan

Sumber: Divisi Digital Producer PT. Mediawave Interactive Bandung, 2018
1. Chief Executive Officer : Yose Rizal
2. Chief Marketing Officer : Erik Palupi
3. Human Resources General Affairs : Clara Pradiptha
2
4. Finance and Accounting : Nur Asti
5. Head of Information and Technology : Arif Wicaksono
6. Head Strategic Communication : Gita Krista
7. Head Digital Analyst : Yodi Putra
8. Head of Digital Producer : Hadrian Febri
9. Business Development Manager : Grbryen Benjamin
PT. Mediawave Interactive dipimpin oleh seorang CEO yaitu Bapak Yose Rizal
dan dibantu oleh seorang CMO yaitu Bapak Erik Palupi. Didalam nya terbagi menjadi
kedalam 6 divisi/unit yaitu Human Resources General Affairs, Finance & Accounting,
Information & Technology, Strategic Comunication, Digital Analyst, Digital Producer,
dan Business Development Manager. Tiap Divisi dipimpin oleh seorang ketua dan
memiliki staff dibawah mereka. Pada kesempatan magang ini penulis ditempatkan di
divisi digital producer dimana divisi ini bertugas untuk membuat dan memonitor data
digital dari para brand yang menjadi klien dari perusahaan ini.
Divisi digital producer dipimpin oleh seorang ketua yaitu Bapak Hadrian Febri dan
memiliki seorang staff / officer yaitu Bapak Acep Ahman Hidayat yang bertanggung
jawab untuk membuat, mengelola, dan memperbaharui konten multimedia dari produk
digital dan juga bertanggung jawab untuk memonitor serta menganalisis data yang
terdapat di web atau media sosial. Berikut struktur divisi dimana penulis ditempatkan:
Gambar 1.3 Struktur Divisi Perusahaan

Sumber: PT. Mediawave Interactive, 2018
3
1.1.3 Strategi Bisnis
PT. Mediawave Interactive saat ini menggunakan strategi khusus untuk
meningkatkan kualitas digital brand strategy yaitu bekerja sama dengan Frontier
Marketing Group dan Marketing Magazine serta mengadakan social media award,
dimana sebuah brand tertentu dipilih dan dimasukkan kedalam kategori yang tersedia
yang ditujukan untuk memberikan penghargaan bagi brand yang memiliki gambaran
paling positif dari pembicaraan masyarakat yang terdapat pada media sosial.
Sebagai upaya dalam mencapai tujuan perusahaan, PT. Mediawave Interactive akan
selalu menerapkan tiga strategi utama yaitu Social Media Monitoring and Analytic:
strategi ini digunakan untuk meninjau dan mencari gambaran kualitas brand secara
keseluruhan seperti mengukur dampak dari kampanye, mengidentifikasi kesempatan
untuk mendapatkan respon dari konsumen, meninjau aktivitas kompetitor, melihat
sebaran nama seberapa banyak disebutkan dibandingkan dengan kompetitor sejenis,
dan menjadi penanda dari krisis mendatang. Digital Marketing Communication:
strategi ini digunakan untuk konsultasi periklanan, kampanye pemasaran, dan
marketing intelligence. PT. Mediawave Interactive memiliki sumber daya yang sangat
memadai dan berkompetensi dalam bidang ini dikarenakan memiliki latar belakang
yang berbeda sehingga PT. Mediawave Interactive dapat mengerti budaya, esensi dan
nilai bisnis yang dijalankan oleh klien. Integrated Marketing Communication: dari
kampanye pemasaran online ke offline. Untuk membantu dan mewujudkan brand
perusahaan, PT. Mediawave Interactive akan bekerja secara baik dengan menyuntikan
konsep kreatif ke dalam pembahasannya dikarenakan Media Wave memiliki data yang
luas dan mendalam (Hidayat, 2018).
1.1.4 Aspek Praktek Manajemen
1.1.4.1 Aspek Produksi
PT. Mediawave Interactive pada saat ini berfokus mengelola produk jasa yang
melayani empat segmen konsumen yaitu korporat, perusahaan startup, perorangan, dan
politisi. Berikut penjelasan produk jasa PT. Mediawave Interactive:
4
1. Social Media Monitoring. Memonitor media online dan media sosial secara aktual
berdasarkan kata kunci yang relevan kemudian disajikan kedalam bentuk grafik
visual serta daftar percakapan yang lengkap dan komprehensif.
2. Social Media Analyst. Mengumpulkan data secara aktual dari media online dan
berita kemudian di analisis sehingga dapat mengetahui sentimen dari para netizen
mengenai persepsi suatu produk, servis, serta citra suatu perusahaan dimata
konsumen.
3. Digital Marketing & Public Relations. Membantu menyusun strategi dan konten
digital yang dapat digunakan untuk berbagai platform mulai dari situs web, aplikasi
mobile dan media sosial. Menawarkan komunikasi dua arah yang membantu
perusahaan menjadi lebih dekat dengan konsumen atau calon konsumen.
4. Politicawave. Memanantau percakapan dimedia sosial secara aktual dan akurat
terkait dengan berbagai isu politik nasional maupun regional kemudian data
disajikan kedalam bentuk grafik visual serta daftar percakapan yang lengkap dan
komprehensif.
Divisi Digital Producer merupakan jabatan yang mempunyai tugas untuk membuat,
mengelola dan memperbaharui konten multimedia untuk situs web, media sosial,
aplikasi mobile, media interaktif dan produk digital lainnya dan bertanggung jawab
untuk pemograman dan menganalisisnya. Produk yang fokus dikelola oleh divisi
digital producer adalah jasa yang merubah ide menjadi sebuah produk digital berupa
website, dan aplikasi dekstop maupun mobile bernama digital development (Hidayat,
2018).
1.1.4.2 Aspek Keuangan
Pendapatan PT. Mediawave Interactive didapatkan dari hasil penjualan produk
berupa data digital maupun penjualan jasa konsultasi tentang strategi konten,
pemasaran media sosial maupun email dan mobile. Kedua produk tersebut merupakan
revenue stream utama atau produk penghasil revenue terbesar PT. Mediawave
5
Interactive. Pengeluaran PT. Mediawave Interactive meliputi beban operasional, gaji
karyawan, fasilitas karyawan dan biaya - biaya terkait pemasaran (Asti, 2018).
1.1.4.3 Aspek Pemasaran
PT. Mediawave Interactive menerapkan dua strategi pemasaran yaitu digital
marketing communication, dan integrated marketing communication. Strategi digital
marketing communication berfokus untuk melakukan periklanan, kampanye politik,
promosi pemasaran, dari konsep pemasaran offline ke online kepada seluruh segmen
pelanggan yaitu korporat, perusahaan startup, perorangan, dan politisi. Media atau
channels yang digunakan pada strategi ini dalam memasarkan produk berupa data yang
disajikan dengan grafik visual adalah media sosial, web, dan portal berita online.
Sedangkan untuk strategi integrated marketing communication berfokus melakukan
pemasaran dari online ke offline kepada seluruh segmen pelanggan dengan membuat
konsep kreatif kedalam pembahasannya dikarenakan PT. Mediawave Interactive
memiliki sumber data yang luas dan mendalam. Media / channels yang digunakan pada
strategi integrated marketing communication adalah media cetak seperti koran atau
majalah (Krista, 2018).
1.1.4.4 Aspek Sumber Daya Manusia
PT. Mediawave Interactive Bandung tercatat memiliki 78 pegawai pada bulan Mei
2018. Jumlah pegawai ini dapat berubah sewaktu - waktu dikarenakan adanya
pergantian pegawai yang dilakukan untuk lebih mampu menangkap peluang bisnis dan
beradaptasi terhadap dinamika perubahan pasar. PT. Mediawave Interactive memiliki
sistem rekruitasi tenaga kerja yang menjadi acuan untuk penerimaan tenaga kerja baru,
dimana kriteria yang dilihat pada saat rekruitasi tenaga kerja yaitu kualifikasi tenaga
kerja, pendidikan yang dimiliki oleh tenaga kerja, pengalaman, dan skill yang dapat
menunjang pekerjaan nantinya. Syarat perekrutan untuk pegawai baru di PT.
Mediawave Interactive adalah minimal Lulusan S1, IPK minimal 3.00, skor TOEFL
500, mampu mengoperasikan platform bigdata, dan berumur maksimal 26 tahun.
Umumnya untuk Lulusan S1 atau fresh graduate ditempatkan untuk mengisi posisi
6
staff. Seorang pegawai atau karyawan baru tidak langsung menjadi karyawan tetap
melainkan karyawan kontrak, pada masa ini disebut masa training selama tiga bulan.
Selama tiga bulan masa training karyawan akan dilihat etos kerja dan sikapnya serta
bagaimana hasil pekerjaan karyawan tersebut, apabila hasilnya sesuai dengan harapan
perusaaan makan akan dijadikan karyawan tetap, bila tidak akan diputus kontraknya
(Pradiptha, 2018).
Jenjang karir pada PT. Mediawave Interactive bahwa pegawai yang baru masuk ada
pada tingkatan staff dengan salary yang berada pada kisaran Rp.5.000.000 –
Rp.6.500.000 tiap bulannya. Untuk bisa naik level kepala staff diperlukan waktu yaitu
tiga sampai empat tahun selain itu kinerja selama menjadi staff pun dipertimbangkan
untuk bisa naik menjadi kepala staff. Sedangkan untuk bisa naik ke level manajer atau
lebih tinggi diperlukan waktu yang cukup lama setidaknya dibutuhkan waktu lebih dari
lima tahun atau lebih (Hidayat, 2018).
1.2 Lingkup Unit Kerja
1.2.1 Lokasi Unit Kerja Praktek (Magang)
Lokasi penugasan penulis yaitu kantor PT. Mediawave Interactive yang berada di
Parahyangan Business Park Blok D No. 5, The Suites Metro. Jl. Soekarno Hatta No.
689B, Kota Bandung, Jawa Barat 40286 Lokasi pada divisi Digital Producer.
1.2.2 Lingkup Penugasan
Penugasan penulis pada kegiatan magang kali ini ada dilakukan di PT. Mediawave
Interactive dan penulis ditempatkan di divisi digital producer dan dibimbing oleh
Bapak Acep Ahman Hidayat sebagai staff divisi digital producer. Selama menjalankan
aktivitas magang, penulis diberikan tugas utama yaitu monitoring serta menganalisis
data yang bersumber dari media sosial dan portal berita online untuk kegiatan social
media award 2018. Lingkup penugasan utama yang diberikan kepada penulis
diantaranya adalah :
1. Menentukan keyword dan topic dari setiap brand didalam kategori yang ada.
7
2. Crawling data dari dataset yang telah dibuat menggunakan keyword dan topic yang
telah ditentukan tersebut.
3. Analisis sentiment dari hasil crawling data.
4. Melakukan presentasi mengenai hasil pengolahan data pada media sosual untuk
menentukan brand yang terbaik setelah di analisis menggunakan platform dari PT.
Mediawave Interactive untuk dipilih sebagai pemenang social media award 2018
dari setiap kategori yang ada.
Gambar 1.4 Monitoring Kegiatan Sosial Media Award 2018

1.2.3 Rencana dan Penjadwalan Kerja
Periode magang yang di lakukan oleh penulis pada PT. Mediawave Interactive
dilaksanakan selama 30 hari kerja, dimulai pada tanggal 21 Mei 2018 sampai dengan
tanggal 17 Juli 2018. Pelaksanaan magang dilakukan setiap hari kerja. Adapun waktu
kerja adalah sebagai berikut:
Tabel 1.1
Rencana dan Penjadwalan Kerja
Hari Kerja Senin – Jumat
Jam Kerja (Normal) 08.00 s.d. 17.00
Jam Kerja (Bulan Ramadhan) 08.00 s.d. 16.00
8
BAB II
KAJIAN TEORITIS
2.1. Information and Communication Technology
2.1.1 Definisi Information and Communication Technology
Pengertian Information and Communication Technology menurut Hilty dan
Aesbicher (2015:90) adalah hasil dari konvergensi tiga jalur perkembangan teknologi
yaitu, yang pertama adalah perkembangan teknologi sebagai jembatan antar ruang,
yang kedua adalah perkembangan teknologi sebagai jembatan antar waktu, dan yang
ketiga adalah mengubah dari cara menghitung menggunakan sempoa dan hitungan
manual menjadi menggunakan komputer digital. Adapun pendapat lain tentang
Information and Communication Technology menurut Zuppo (2012:13) definisi utama
Information and Communication Technology adalah berkisar pada perangkat dan
infrastruktur yang memfasilitasi transfer informasi melalui sarana digital. Berikutnya
pendapat tentang Information and Communication Technology menurut Slyke
(2008:193) adalah perpaduan komputer dan telekomunikasi dengan memasukkan cara
– cara inovatif bertujuan untuk memberikan para pengguna akses global terhadap
informasi, pembelajaran, dan dukungan. Diperlukan keterampilan dan pemahaman
agar dapat menggunakan Information and Communication Technology secara tepat dan
efektif untuk memproses, mengirim, menyimpan data dan informasi untuk
memfasilitasi kinerja manusia dalam melayani sektor kelembagaan dan bisnis.
Berdasarkan pengertian dari para ahli diatas, dapat ditarik kesimpulan bahwa
Information and Communication Technology merupakan hasil dari gabungan tiga
perkembangan teknologi yaitu perkembangan teknologi yang dapat menjembatani
ruang, perkembangan teknologi yang dapat menjadi jembatan antar waktu, dan
perkembangan teknologi yang mengubah cara berhitung manual menjadi
menggunakan komputer digital. Information and Communication Technology juga
menjadi fasilitas utama sebagai perangkat dan infrastruktur untuk bertukar informasi
9
melalui sarana digital yang dapat membantu memfasilitasi kinerja manusia untuk
melayani sektor kelembagaan dan bisnis serta masyarakat luas.
2.1.2 Fungsi Information and Communication Technology
Fungsi Information and Communication Technology menurut Hilty dan Aesbicher
(2015:21) dapat digunakan untuk menemukan dan membuat pola produksi dan
konsumsi kita lebih efisien dan berkelanjutan. Namun, sejarah telah menunjukkan
bahwa peningkatan efisiensi teknologi tidak secara otomatis berkontribusi pada
pembangunan berkelanjutan. Akan tetapi dengan upaya yang ditargetkan pada bagian
politik, industri dan kosumen akan dimungkinkan untuk melepaskan potensi
sesungguhnya dari Information and Communication Technology untuk menciptakan
masyarakat yang lebih berkelanjutan. Adapun fungsi Information and Communication
Technology menurut Slyke (2008:917) dalam sektor pariwisata terbukti menjadi alat
bantu yang efektif untuk pengembangkan destinasi pariwisata daerah. Penggunaan
Information and Communication Technology juga dapat berguna dalam proses
perencanaan untuk keterlibatan masyarakat dalam pembangunan negara, ataupun
hanya untuk menjadi tambahan kelas komputer kedalam kurikulum sekolah.
Sedangkan menurut pemaparan Zuppo (2012:16) mengatakan bahwa Information
and Communication Technology sedang banyak digunakan oleh industri global, media
internasional, dan akademisi untuk menggabungkan antara komputer dan teknologi
komunikasi untuk mencapai suatu tujuan tertentu. Berdasarkan beberapa pernyataan
dari para ahli dapat ditarik kesimpulan bahwa fungsi dari Information and
Communication Technology untuk menyebarluaskan informasi kepada publik melalui
internet, sarana untuk perubahan perilaku seorang konsumen, dan dalam sektor
pariwisata terbukti menjadi alat bantu yang efektif dalam pengembangan destinasi
pariwisata daerah. Penggunaan Information and Communication Technology juga
dapat berguna untuk proses perencaaan keterlibatan masyarakat dalam perubahan suatu
negara ataupun hanya sebagai kelas tambahan dalam kurikulum sekolah. Selain itu
Information and Communication Technology juga dapat digunakan untuk menemukan
10
dan membuat pola produksi dan konsumsi kita lebih efisien untuk menciptakan
masyarakat yang berkelanjutan. Information and Communication Technology juga
banyak digunakan oleh para pelaku industri global, media internasional dan akademisi
untuk menggabungkan antara komputer dan teknologi komunikasi untuk mencapai
tujuan tertentu.
2.1.3 Kaitan Information and Communication Technology dengan Big Data
Menurut pendapat Zuppo (2012:17) mengatakan bahwa kaitan information and
communication technology dengan big data yaitu digunakan sebagai alat untuk
memantau, menentukan dan mendeteksi pola yang relevan dari jumlah data yang
sangat banyak yang sebelumnya tidak dapat diketahui. Adapun pendapat lain tentang
kaitan information and communication technology dengan big data menurut pendapat
Hilty dan Aesbicher (2015:340) yaitu big data dapat digunakan saat ini sebagai alat
untuk memperluas penggunaan information and communication technology dari cara
tradisional seperti local area network, lingkungan wide area netwok menjadi internet
pada cloud storage dan word storage. Sedangkan menurut Slyke (2008:62) information
and communication technology harus digunakan diberbagai sektor seperti cloud
computing, internet of things, artificial intelligence, networked systems, dan mobile
service untuk membangun dan mengembangkan proyek big data agar dapat mencapai
tujuan dari organisasi atau perusahaan tersebut.
Berdasarkan pendapat dari para ahli mengenai kaitan information and
communication technology dengan big data maka dapat saya simpulkan bahwa big
data sangat membutuhkan semua aspek dari information and communication
technology yang dimiliki sebagai alat untuk memantau, menentukan dan mendeteksi
pola yang relevan dari jumlah data yang sangat banyak dan tidak dapat diketahui
sebelumnya. Sedangkan kaitan lainnya adalah big data digunakan sebagai alat untuk
memperluas penggunaan information and communication technology dari cara lama
menjadi bentuk internet pada cloud storage dan word storage yang dapat digunakan
11
perusahaan atau organisasi sebagai alat untuk membangun dan mengembangkan
proyek big data agar dapat mencapai tujuan seperti yang direncanakan.
2.2. Big Data
2.2.1 Definisi Big Data
Pengertian big data menurut Dumbill (2012:9) data yang melebihi kapasitas
pengolahan dari database konvensional mulai dari data tersebut terlalu besar, bergerak
terlalu cepat, hingga data tersebut tidak cocok dengan struktur database, sehingga untuk
memperoleh nilai dari data tersebut, diperlukan cara alternatif untuk memproses data
tersebut. Pengertian kedua dikemukakan oleh Hurwitz dkk. (2013:25) Big data bukan
data tunggal. Melainkan merupakan gabungan dari teknologi manajemen data yang
berkembang seiring dengan waktu. Big data membuat organisasi dapat memilah data,
mengatur dan direkayasa dengan kecepatan pengerjaan yang sesuai dan selesai dengan
tepat waktu untuk menghasilkan pembahasan baru.
Definisi ketiga dari big data yang dikemukakan oleh Sathi (2012:87) Big data
adalah data yang masih trending pada saat ini. Perusahaan yang ingin menggunakan
big data , saat ini tidak hanya dapat menggunakan data dari perusahaan itu sendiri,
melainkan dapat menggunakan data dari luar perusahaan. Data diluar perusahaan
terbagi menjadi 2 yaitu, yang dapat diakses secara gratis dan yang berbayar.
Berdasarkan beberapa definisi big data dari para ahli diatas, dapat ditarik
kesimpulan bahwa big data merupakan data yang sangat besar yang tidak dapat di
proses secara konvensional. Perusahaan dapat menggunakan big data untuk memilih
data, mengatur dan merekayasa sesuai keinginan mereka untuk mencari topik
pembahasan baru yang digunakan untuk meningkatkan keuntungan dari perusahaan
tersebut. Saat ini perusahaan yang menggunakan big data tidak hanya dapat
menggunakan data internal data perusahaan, melainkan sudah bisa mengakses data
yang ada di external perusahaan. Data tersebut bisa diakses secara gratis maupun
berbayar, data yang dapat diakses secara gratis yaitu melalui media sosial, dan literatur
produk yang disebar oleh kompetitor secara gratis.
12
2.2.2 Fungsi Big Data
Fungsi big data menurut Hurwitz dkk. (2013:10) adalah untuk mengumpulkan,
menyimpan, mengelola, dan memanipulasi data dalam jumlah besar dalam jumlah
waktu yang cepat dan secara tepat untuk mendapatkan insight yang berguna untuk
menentukan keputusan dimasa yang akan datang. Teori lain tentang fungsi big data
menurut Sathi (2012:13) adalah untuk menciptakan pasar yang baru, dimana data
konsumen dari suatu industri dapat dikumpulkan, dikategorikan, disamarkan, dan
dikemas ulang untuk dijual kepada industri yang lainnya.
Sedangkan menurut Dumbill (2012:9) fungsi big data bagi perusahaan ada dua yaitu
analytical use dan menciptakan produk baru. Biasanya untuk mengetahui opini dan
pengalaman tentang suatu produk dari para konsumen yang ada dipasar yang nantinya
digunakan sebagai bahan ukur untuk mengambil keputusan dimasa depan, perusahaan
menggunakan metode analytical use. Berdasarkan beberapa pendapat tentang fungsi
big data dari para ahli diatas dapat disimpulkan bahwa fungsi big data adalah untuk
mengumpulkan, menyimpan, mengelola dan memanipulasi data dalam jumlah besar
yang dapat digunakan perusahaan untuk keperluan manajemen untuk membuat
keputusan dimasa depan maupun dijual dari suatu industri ke industri yang lainnya,
yang semua itu bertujuan untuk meningkatkan keuntungan bagi perusahaan.
2.3. Data Mining
2.3.1 Definisi Data Mining
Pengertian data mining Menurut Han dkk. (2011:8) merupakan proses menemukan
pola yang menarik dan pengetahuan dari data yang berjumlah sangat besar. Data dapat
bersumber dari database, gudang data, web, repositori informasi lainnya atau data yang
dialirkan kedalam sistem secara dinamis. Adapula pengertian lain menurut Provost dan
Fawcett (2013:2) mengatakan bahwa data mining diterjemahkan dengan sesuatu yang
telah digunakan untuk mengatur hubungan umum dengan konsumen untuk
menganalisis kebiasan konsumen dengan maksud untuk mengatur pengurangan dan
pertambahan nilai konsumen.
13
Teori selanjutnya dikemukakan oleh Bramer (2007:4) data mining dapat menyaring
data melalui sejumlah besar data yang terkumpul selama proses fabrikasi
semikonduktor untuk mengidentifikasi kondisi hasil data yang dapat menyebabkan
masalah. Terdapat beberapa jenis data mining yaitu classification, clustering dan
association. Berdasarkan beberapa pengertian dari para ahli diatas dapat disimpulkan
bahwa data mining adalah kegiatan pengumpulan, pemakaian, dan penyaringan data
untuk menemukan kesamaan atau keteraturan pola dalam data yang begitu banyak dan
besar jumlahnya untuk mengatur hubungan umum antara perusahaan dengan
konsumen dan menganalisis kebiasaan dari para konsumen untuk mengatur
pengurangan maupun pertambahan nilai konsumen. Selain itu, data mining dapat
digunakan perusahaan untuk menyaring data dari ribuan atau bahkan jutaan data yang
didapatkan selama proses penambangan data dan perusahaan dapat mengidentifikasi
hasil dari data tersebut agar tidak menimbulkan masalah. Terdapat beberapa jenis data
mining yang dapat digunakan perusahaan untuk memperbaiki pengambilan keputusan
dimasa depan yaitu classification, clustering dan association.
2.3.2 Fungsi Data Mining
Dikatakan oleh Bramer (2007:5) penerapan data mining pada sebuah perusahaan
medis yaitu untuk mengklasifikasikan data pasien menjadi beberapa jenis yaitu
memiliki resiko rendah, sedang atau yang memiliki resiko paling besar untuk terkena
penyakit tertentu. Adapula teori lain tentang fungsi data mining menurut Han dkk.
(2012:15) fungsi data mining adalah digunakan menentukan jenis pola dalam tugas
penambangan data. Sehingga informasi tersebut dapat digunakan perusahaan sebagai
solusi pengambilan keputusan dimasa depan. Dikutip dari Provost dan Fawcett
(2013:2) data mining digunakan oleh manajemen hubungan pelanggan untuk
menganalisis perilaku konsumen yang bertujuan untuk mengurangi atau
memaksimalkan value konsumen yang diharapkan.
Berdasarkan beberapa pendapat tentang fungsi data mining dari para ahli diatas
dapat ditarik kesimpulan bahwa fungsi atau kegunaan dari data mining adalah untuk
14
menemukan, mengelola, mengklasifikasi dan mengatur pola informasi dari banyaknya
tumpukan informasi yang ada. Perusahaan juga dapat menggunakan data mining untuk
menganalisis perilaku konsumen yang bertujuan untuk mengurangi atau
memaksimalkan value yang akan diberikan kepada para konsumennya. Perusahaan
juga dapat menggunakan data mining untuk mengumpulkan informasi yang ada
sebagai solusi untuk proses pengambilan keputusan dimasa depan.
2.4. Analisis Sentimen
2.4.1 Definisi Analisis Sentimen
Berdasarkan teori yang dikemukakan oleh Liu (2012:7) analisis sentimen adalah
bidang studi dari data mining yang mempunyai tujuan untuk menganalisis,
memahami, mengolah, dan mengekstrak data tekstual yang dapat berupa opini,
sentimen, evaluasi, penilaian, sikap, dan emosi terhadap entitas seperti produk,
servis, organisasi, individu, dan topik tertentu. Sedangkan teori lain Menurut Moens
dkk. (2014:12) analisis sentimen bertugas mendeteksi, mengekstrak dan meringkas
pendapat, polaritas dan/atau emosi, biasanya didasarkan pada ada atau tidak adanya
fitur sentimen. Dalam kebanyakan kasus, sentimen analisis diperlakukan sebagai
masalah klasifikasi, dengan kategori, pendapat dan fakta, positif dan negatif, atau
tingkat dalam kategori emosi ( misalnya marah, senang, ataupun sedih).
Adapula pengertian dari Gulaty (2016:2) analisis sentimen atau opinion mining
adalah proses mengidentifikasi berbagai macam pendapat yang berlawanan (positif dan
negatif) dengan menerapkan analisis teks. Analisis sentimen dilakukan dengan cara
menyaring kalimat - kalimat yang tidak berkontribusi dari pendapat yang berlawanan
tersebut dan kemudian informasi yang subjektif di ekstrak kedalam teks yang tersisa.
Berdasarkan beberapa pengertian dari para ahli diatas, maka dapat disimpulkan bahwa
sentimen analisis terdiri dari beberapa level bergantung dari tingkat kerincian suatu
kata atau kalimatnya yaitu the term level, the expression level, the passage level, dan
the document level. Semua level sentimen analisis tersebut bertujuan untuk mendeteksi,
menganalisis, memahami, dan mengolah suatu data tekstual untuk mengklasifikasi atau
15
mengkategorikan suatu pendapat dan fakta baik data yang positif maupun yang negatif
dan kemudian hasil tersebut di ekstrak kedalam teks yang tersisa.
2.4.2 Fungsi Analisis Sentimen
Fungsi analisis sentimen menurut Gulaty (2016:1) adalah untuk mencari informasi
dari customer melalui media internet yang ada, informasi tersebut dapat berupa opini
maupun ulasan yang dapat berguna bagi perusahaan untuk membuat keputusan untuk
memberikan potongan harga maupun terkait dengan promosi. Pengertian lain fungsi
analisis sentimen yang dikemukakan oleh Liu (2012:9) adalah pada beberapa tahun
terakhir berfungsi untuk membantu membangun ulang bisnis pada suatu perusahaan,
dan dapat mempengaruhi perasaan dan emosi publik yang sangat berdampak pada
sistem bisnis, sistem sosial dan sistem politik pada saat ini. Analisis sentimen
bersumber bukan hanya dari data eksternal perusahaan seperti pada web, media sosial
dan portal berita. Namun juga dapat bersumber dari data internal perusahaan seperti
timbal balik dari para konsumen melalui email, maupun customer service.
Sedangkan menurut Moens dkk. (2014:11) fungsi analisis sentimen dapat
digunakan untuk mengumpulkan informasi dari berbagai media sosial seperti twitter,
dan facebook maupun world wide web untuk memungkinkan perusahaan dalam
mengembangkan potensi menciptakan model bisnis baru maupun mengembangkan
teknologi dari perusahaan yang sudah ada menjadi lebih canggih. Berdasarkan
beberapa pendapat dari para ahli diatas dapat, maka disimpulkan bahwa fungsi dari
analisis sentimen adalah dapat digunakan oleh perusahaan untuk memperoleh berbagai
informasi dari berbagai sumber, baik sumber eksternal perusahaan seperti web, media
sosial, dan portal berita maupun sumber internal perusahaan yang dapat berupa review
dari para konsumen atau feedback melalui email maupun customer service. Analisis
sentimen juga berfungsi untuk mengembangkan bisnis dari sebuah perusahaan, baik
bisnis yang sudah ada maupun untuk menciptakan bisnis baru yang dapat menambah
keuntungan bagi perusahaan itu sendiri.
16
2.4.3 Manfaat Analisis Sentimen
Menurut Silge dan Robinson (2017:27) manfaat analisis sentimen yaitu untuk
memahami suatu arah sentimen dari sebuah narasi yang berubah – ubah disetiap kata
atau kalimatnya atau untuk memahami kandungan emosional dan pendapat penting
untuk suatu teks tertentu yang dapat digunakan oleh para pemilik bisnis sebagai salah
satu alat untuk mengambil keputusan dan untuk memperbaiki kualitas produk atau jasa
dan pemasarannya. Sedangkan menurut Biagioni (2016:2) manfaat analisis sentimen
untuk melihat ulasan dari pelanggan melalui media online, pemasaran dan intelijen
bisnis, dan jaringan sosial. Biasanya sistem analisis sentimen akan memproses artikel,
berita atau media sosial dari berbagai sumber yang membahas atau menyebutkan suatu
organisasi dan masalah tertentu untuk mengumpulkan sentimen yang diekspresikan
didalamnya.
Adapun pendapat tentang manfaat analisis sentimen menurut Bhatia dkk.
(2017:202) yaitu bagi perusahaan, untuk mengidentifikasi opini dari para konsumen
terhadap suatu produk atau jasa yang digunakan untuk pengambilan keputusan yang
lebih efisien. Selain itu analisis sentimen juga berguna untuk tujuan umum, misalnya
untuk mengetahui ulasan tentang film yang dapat membantu penonton untuk
memutuskan film mana yang akan ditonton. Manfaat analisis sentimen menurut
Danneman dan Heimann (2014:7) yaitu tidak hanya digunakan untuk alat penelitian
saja namun digunakan dihampir semua sektor bisnis dan domain sosial yang
dikarenakan opini dan pendapat digunakan sebagai penyebab dan ukuran perilaku
manusia pada saat ini. Sementara itu menurut pemaparan dari Saeed dkk. (2017:78)
manfaat analisis sentimen yaitu dalam dunia bisnis pada saat ini sudah tidak
menggunakan cara tradisional lagi melainkan menggunakan metode ini, bagi
pelanggan potensial dapat menggunakan informasi ini sebelum mereka membeli
produk, dan bagi perusahaan juga dapat menggunakan informasi ini untuk melihat tren
pasar dan pesaing mereka.
17
Manfaat analisis sentimen menurut Pedrycz dan Chen (2016:3) yaitu sistem akan
menemukan dan menentukan sentimen dalam data yang berjumlah sangat besar secara
otomatis yang membantu dalam penyelesaian masalah pengelompokkan data sebagai
alat yang dapat membantu untuk mengambil keputusan. Sedangkan manfaat analisis
sentimen menurut Kagan dkk. (2013:34) yaitu untuk mengukur intensitas dan polaritas
dari perasaan yang diungkapkan terhadap topik yang menarik. Oleh karena itu sangat
cocok untuk pengukuran emosi yang diekspresikan dalam bentuk dokumen tekstual.
Adapun manfaat analisis sentimen menurut Agarwal dan Mittal (2016:3) yaitu
digunakan oleh para pelaku politik dan pemerintahan untuk mengakumulasikan
pendapat dan opini masyarakat tentang suatu kebijakan pemerintah sehingga dapat
membantu para pelaku politik maupun pemerintah untuk meningkatkan kinerja
maupun mengembangkan kebijakan baru untuk kesejahteraan rakyat.
Adapula manfaat analisis sentimen menurut Maynard dkk. (2017:73) dapat
dirasakan oleh hampir setiap aspek industri. Seperti contohnya ulasan produk suatu
kamera, seseorang ingin membeli produk kamera mungkin akan mencari sebuah ulasan
dan komentar secara online, sementara itu seseorang yang telah membeli kamera akan
memberi pendapat dan opininya pada media online tersebut dan produsen kamera
mendapatkan umpan balik dari pelanggan mereka yang berguna untuk meningkatkan
produk atau layanan mereka dan untuk menyesuaikan strategi pemasaran mereka.
Manfaat analisis sentimen menurut Cambria dkk. (2017:76) bahwa faktanya meskipun
sistem tidak terlalu akurat dalam menentukan sentimen dari semua kalimat, akan tetapi
mereka dapat menangkap secara akurat perubahan yang signifikan dalam proporsi
misalnya positif atau negatif, perlu diperhatikan bahwa sistem pelacakan sentimen
akan lebih efektif bila menggabungkan kata kunci dengan hati – hati.
Sementara itu menurut pemaparan dari Pang dan Lee (2008:3) manfaat analisis
sentimen yaitu perusahaan dapat menanggapi opini dan pendapat para konsumen
menggunakan hasil pemantauan dan analisis sentimen dari media sosial dan juga dapat
dengan mudah merubah pesan iklan, brand positioning, dan product development.
18
Adapun pendapat tentang manfaat analisis sentimen menurut Thelwall (2017:45) yaitu
dapat digunakan dalam pemasaran dan manajemen hubungan pelanggan melalui online
monitoring dari opini atau pendapat para konsumen tentang suatu produk dan jasa yang
dinyatakan dalam media sosial atau situs ulasan online. Pendapat lain tentang manfaat
analisis sentimen menurut Liu (2012:8) adalah untuk memudahkan para pemilik bisnis
maupun organisasi dalam menentukan pendapat orang lain dari produk yang mereka
miliki, baik itu pendapat yang positif maupun negatif yang didapatkan dari
pertumbuhan data yang eksplosif pada saat ini.
Sedangkan manfaat analisis sentimen menurut Moens dkk. (2014:27) adalah untuk
mengekstrak atau memanfaatkan data pribadi dan untuk memanipulasi serta
menggabungkan kedalam konten digital yang bersumber dari pengguna data media
sosial maupun web. Berdasarkan pendapat tentang manfaat analisis sentimen dari para
ahli diatas, maka dapat saya simpulkan bahwa manfaat analisis sentimen adalah untuk
digunakan dalam semua sektor industri dan memudahkan para pemilik bisnis maupun
organisasi untuk mengambil dan memanfaatkan serta mengekstrak data pribadi
pengguna media sosial maupun web dari pertumbuhan data yang sangat eksplosif pada
saat ini untuk menentukan pendapat tentang produk yang mereka miliki, baik pendapat
positif maupun negatif dan dapat digunakan sebagai salah satu alat untuk membantu
dalam proses pengambilan keputusan untuk memperbaiki kualitas produk atau jasa dan
untuk mengetahui tren pasar atau para pesaingnya dan untuk menyesuaikan strategi
pemasarannya.
Selain itu, analisis sentimen digunakan oleh konsumen dalam mencari ulasan
tentang suatu produk yang mereka ingin beli atau para konsumen yang ingin
memberikan opini mereka tentang suatu produk atau jasa yang mereka telah mereka
beli dan juga dapat digunakan oleh perusahaan sebagai alat untuk melihat umpan balik
tentang suatu produk atau jasa yang mereka miliki. Manfaat analisis sentimen juga
dapat dirasakan oleh para pelaku politik maupun pemerintah untuk mengumpulkan
pendapat dari masyarakat tentang suatu kebijakan pemerintah yang dapat digunakan
19
oleh pemerintah sebagai alat untuk meningkatkan kinerja maupun mengembangkan
kebijakan baru untuk kesejahteraan masyarakat.
2.4.4 Hambatan Analisis Sentimen
Menurut Silge dan Robinson (2017:51) hambatan analisis sentimen yaitu ketika ada
sebuah kata atau kalimat memiliki konteks yang tidak sesuai dengan makna keberadaan
aslinya seperti contoh saya suka dengan makanan di restoran ini karena rasanya enak,
akan tetapi pelayanannya buruk. Sedangkan menurut Biagioni (2016:8) hambatan
analisis sentimen yang paling sering ditemui adalah isu – isu dengan konteks yang
sensitif, kalimat penyangkalan, sarkasme, idiom, intensitas sentimen, sentimen yang
implisit, kalimat majemuk dan ambiguitas. Sementara itu menurut pemaparan dari
Bhatia dkk. (2017:203) hambatan analisis sentimen ada tiga yaitu kesulitan untuk
mengidentifikasi maksud dari istilah setiap kata atau kalimat, menemukan pendapat
atau opini dari setiap aspek, menghitung polaritas sentimen dari masing – masing
aspek. Hambatan analisis sentimen menurut Danneman dan Heimann (2014:45) yaitu
kalimat atau kata negasi, sistem akan kesulitan untuk menanganinya karena
pertimbangan masalah kalimat yang memuat kata tidak, atau yang lebih dari tidak, dan
tidak baik atau tidak buruk yang menjadikan sistem akan mengira bahwa kalimat
tersebut tidak masuk kedalam sentimen positif atau negatif.
Sementara itu menurut pemaparan dari Saeed dkk. (2017:79) hambatan analisis
sentimen yaitu ketergantungan domain dan kata – kata opini yang bertentangan yang
menyebabkan analisis sentimen menjadi tidak akurat karena ketergantungan sistem
terhadap domain tanpa mempertimbangkan keseluruhan konteks dari kalimat atau kata
pada opini tersebut. Adapun pendapat tentang hambatan analisis sentimen menurut
Pedrycz dan Chen (2016:6) yaitu sinonim dan polisemi yang disebabkan karena
variabilitas opini dari para penggunanya sehingga menyulitkan sistem untuk
menentukan sentimen dari sebuah kata atau kalimat yang mengandung sinonim dan
polisemi. Sedangkan hambatan analisis sentimen menurut Kagan dkk. (2013:15) yaitu
sistem analisis yang bergerak secara otomatis tidak bisa mengatasi masalah banyaknya
20
jumlah data yang tersedia, yang mengakibatkan hasil analisis sentimen tidak relevan
dan sistem akan berfungsi dengan baik apabila data tersebut telah disaring
menggunakan proses persetujuan manusia yaitu para analis.
Adapun hambatan analisis sentimen menurut pendapat Agarwal dan Mittal (2016:3)
adalah sistem yang digunakan untuk menganalisis teks harus dengan membangun fitur
dari sebuah mesin vektor menggunakan kumpulan kata dan kalimat terlebih dahulu,
sehingga inilah yang menyebabkan banyaknya noise dan kalimat atau kata yang tidak
relevan yang dapat mengakibatkan sistem menjadi tidak akurat dalam menentukan
sentimen dari kalimat maupun kata tersebut. Adapun hambatan analisis sentimen
menurut Maynard dkk. (2017:75) kalimat ataupun kata sarkasme sulit untuk ditangani
oleh sistem akan tetapi sarkasme sangat sering ditemui dimedia sosial. Cara untuk
memahami sarkasme yaitu yang pertama, sistem harus memahami dan mengenali
kapan datangnya kalimat atau kata sarkasme itu sendiri karena pengenalan sarkasme
bukan tugas yang mudah untuk diselesaikan bahkan untuk seorang manusia yang
memiliki pemahaman dan pengetahuan yang lebih kontekstual.
Sementara itu menurut pemaparan dari Cambria dkk. (2017:16) hambatan analisis
sentimen yaitu akan menjadi sulit apabila kita para analis hanya mengandalkan bahasa
teks saja karena sifatnya yang sangat subjektif dan fakta bahwa ekspresi lisan atau
tulisan orang mungkin tidak sepenuhnya sesuai dengan keadaan psikologis mereka.
Adapula pendapat lain yang dipaparkan oleh Thelwall (2017:45) mungkin akan terjadi
kesalahpahaman dalam algoritma sentimen analisis bila terjadi bias dalam suatu data.
Sebagai contoh jika ada seseorang menyukai produk a lebih tua dan cenderung tidak
mengunggah opini mereka ke dalam media sosial dibandingkan dengan seseorang yang
menyukai produk b maka data menjadi kurang terwakili dan menjadi tidak valid. Bias
dapat terjadi bila aspek positif dari suatu produk tidak dinyatakan secara tidak jelas
atau bila para pecinta suatu produk tersebut tidak mengunggah didalam suatu media
sosial, misalnya perempuan lebih sering mengunggah opini mereka tentang suatu
produk dibandingkan dengan pria maka data tersebut tidak dapat dinyatakan valid.
21
Adapun pendapat tentang Hambatan analisis sentimen menurut menurut Pang dan
Lee (2008:21) adalah bahwa meskipun ketergantungan atas domain merupakan
konsekuensi dari perubahan kosa kata, akan tetapi ekspresi yang sama dalam kalimat
yang sama persis dapat menunjukkan sentimen yang berberda di domain yang berbeda
pula. Misalnya kalimat baca buku kemungkinan besar mengidentifikasi sentimen
positif untuk ulasan buku, tetapi sentimen negatif untuk ulasan film. Adapula pendapat
tentang Hambatan analisis sentimen menurut menurut Moens dkk. (2014:31) adalah
kueri kata kunci yang digunakan pada saat menganalisis data, tidak dapat
menggambarkan secara sepenuhnya akurat tentang apa yang benar - benar diinginkan
oleh pengguna. Orang - orang yang bersangkutan didalam area dan bidang yang
berbeda memiliki pemahaman yang berbeda pula dalam mengartikan suatu kalimat
atau kata.
Hambatan analisis sentimen menurut Liu (2012:14) melakukan spam opini adalah
masalah terbesar pada saat ini. Selain dari individu pengguna media sosial yang
melakukan spam opini dengan cara memberikan opini palsu pada saat memberikan
ulasan didalam forum diskusi internet, ada juga perusahaan komersil yang melakukan
bisnis ulasan palsu atau bahkan membuat sebuah blog atau forum diskusi palsu untuk
para klien mereka. Melakukan spam opini sangat berdampak dalam menentukan
sentimen dari sebuah kata atau kalimat dan menjadi masalah pada saat melakukan
pengumpulan data.
Dari pernyataan yang telah diungkapkan oleh para ahli mengenai hambatan analisis
sentimen, maka dapat disimpulkan bahwa hambatan analisis sentimen terdapat pada
kueri kata kunci yang digunakan pada saat menganalisis data, tidak sepenuhnya dapat
menggambarkan apa yang diungkapkan dan apa yang dimaksudkan oleh pengguna
tersebut. Orang - orang yang terlibat diberbagai bidang dan area yang berbeda memiliki
pemahaman dan penafsiran tentang suatu kata atau kalimat yang berbeda pula. Selain
kueri kata kunci, hambatan analisis sentimen juga terdapat pada banyaknya yang
melakukan spam opini, baik dari individu atau bahkan perusahaan komersil yang
22
dengan sengaja membuat bisnis tersebut dengan cara memberikan ulasan palsu didalam
sebuah blog atau forum diskusi palsu juga yang dibuat oleh perusahaan tersebut.
Melakukan spam opini dapat berdampak pada hasil akhir analisis sentimen dan juga
dapat mengakibatkan masalah pada data yang sudah terkumpul.
Sementara itu hambatan analisis sentimen lainnya adalah isu – isu dengan konteks
yang sensitif, kalimat penyangkalan, sinonim, sarkasme, idiom, intensitas sentimen,
sentimen yang implisit, kalimat majemuk dan ambiguitas yang mengakibatkan
kesulitan untuk menemukan maksud dari setiap aspek dan opini pada kalimat – kalimat
tersebut yang memaksa sistem untuk tidak dapat menilai dan menjadikan kalimat
tersebut memiliki sentimen netral. Hambatan lainnya adalah ketergantungan sistem
analisis sentimen pada kamus kata kunci yang telah didaftarkan pada domain sehingga
mengakibatkan sistem tidak dapat mempertimbangkan maksud dari konteks
keseluruhan kalimat opini yang telah didapatkan pada domain yang berbeda. Masalah
pada terlalu banyaknya data noise, dan data bias juga dapat menjadi hambatan analisis
sentimen bagi sistem dalam menentukan sentimen yang menjadikan hasil analisis
sentimen tidak relevan dan pada akhirnya memerlukan proses persetujuan dari para
analis.
2.4.5 Cara Mengukur Analisis Sentimen
Melakukan analisis sentimen terhadap data yang telah terkumpul sangat penting
untuk menentukan tingkat opini dari pengguna dimedia sosial baik itu positif, netral,
maupun negatif. Mengutip dari Moens dkk. (2014:45) terdapat empat tingkatan
perincian untuk mengukur hasil analisis sentimen bergantung dari target teks yang telah
dianalisis yaitu the term level: untuk menentukan apakah sebuah kata atau kalimat
termasuk kedalam beberapa kategori sentimen (positif, netral, negatif) yang biasanya
dalam konteks tertentu. Pada tingkatan ini analisis jarang yang menggunakannya
dikarenakan tingkatan ini hanya menyediakan kamus indeks kata tambahan untuk
mempermudah dalam penentuan sentimen dari setiap kata atau kalimat, oleh karenanya
tingkatan ini dapat berfungsi sebagai fitur pembantu untuk tingkatan yang lebih tinggi,
23
the expression level: untuk mengidentifikasi porsi yang tepat dari sebuah text yang
secara langsung bertanggung jawab untuk atribut sentimen pada sebuah kata atau
kalimat dari para penggunanya.
Tingkatan ini digunakan untuk menentukan sentimen dalam sebuah kalimat yang
lebih sulit, seperti ekspresi seseorang ketika senang yang menggunakan kata negatif
namun memiliki makna positif, biasanya komputer akan sulit menentukan kalimat
tersebut oleh karena itu para analisis yang membantu menentukan secara manual
dengan memisahkan kata yang positif dengan negatif, the passage level: tingkatan ini
adalah pendekatan yang paling populer karena dapat menganalisis konten yang hanya
menyertakan satu kalimat atau kata, menyertakan beberapa kalimat, dan sebuah
kalimat yang panjang. Meskipun sudah serba otomatis semua, namun tetap layak
dijalankan secara manual oleh para analis untuk menganalisis konten yang dibuat oleh
pengguna dan tetap memiliki tantangan karena harus memotong bagian kalimat atau
secara tepat agar mesin dapat memprosesnya dan tidak menjadi error atau bias,
document level: pengklasifikasian berorientasi pada sebuah dokumen secara
keseluruhan, analis dapat melakukan pengujian terhadap seluruh isi dokumen
sekaligus, biasanya digunakan dalam tugas mengambil data dan tidak dapat untuk
mengekstraksi atau meringkas data. Oleh karena itu pada tingkatan ini dibutuhkan level
lain untuk membantu menyelesaikan dalam penentuan hasil akhir analisis sentimen
baik itu positif, netral, atau negatif.
Pendapat lainnya tentang cara mengukur analisis sentimen menurut Kagan dkk.
(2013:34) terdapat beberapa cara untuk menghitung skor analisis sentimen, mulai dari
menghitung masing – masing kekuatan dan kelemahannya, dengan merubah metode
yang lama dari yang menggunakan data statistik murni hingga pemrosesan bahasa
alami murni yang berdasarkan data hybrids, menghitung sentimen keseluruhan
dokumen dan menghitung sentimen terhadap topik dan perincian tertentu (mulai dari
data yang sederhana seperti positif/ negatif hingga data yang besar berpotensi tak
terbatas yang jumlah tingkatan sentimennya antara sangat negatif dan sangat positif).
24
Sementara itu menurut pemaparan dari Cambria dkk. (2017:5) cara mengukur
analisis sentimen yaitu terdapat tiga teknik pendekatan utama yaitu pendekatan
berbasis pengetahuan: teknik ini sangat populer karena aksesibilitas yang mudah dan
ekonomi. Dalam teknik ini teks diklasifikasikan kedalam kategori berdasarkan pada
kehadiran kata atau kalimat yang ambigu seperti gila, senang, sedih, dan takut,
pendekatan metode statistik: teknik ini mungkin dapat secara efektif mengelompokkan
sentimen dari teks pengguna pada halaman atau tingkat paragraf, akan tetapi metode
ini tidak berfungsi secara baik untuk menentukan sentimen pada tingkat kalimat atau
kata, pendekatan hybrid: teknik ini memanfaatkan kedua pedekatan yaitu pendekatan
berbasis pengetahuan dan pendekatan metode statistik untuk melakukan tugas – tugas
seperti pengenalan emosi dan untuk mendeteksi semua pola sentimen dari kata,
kalimat, teks, atau data multimodal.
Adapun cara mengukur analisis sentimen menurut Pedrycz dan Chen (2016:246)
terdapat tiga metode pengukuran yaitu out degree centrality: mengukur jumlah
pengikut yang dimiliki oleh akun tertentu dalam sebuah jaringan data. Jumlah pengikut
yang tinggi menunjukkan bahwa akun tersebut terhubung dengan baik dengan akun
lainnya dalam suatu jaringan, betweenness centrality: mengukur jumlah simpul yang
dimiliki diantara sebuah akun yang dilalui oleh node tertentu yang terhubung dengan
akun lainnya didalam sebuah jaringan data, closeness centrality: mengukur jarak
terdekat antara node sebuah akun yang terhubung dengan akun lainnya dalam sebuah
jaringan. Cara mengukur analisis sentimen menurut Saeed dkk. (2017:74) memiliki
dua tingkatan yaitu pertama memfilter kategori yang memiliki kemungkinan besar
menghasilkan noise dikarenakan banyaknya data yang tidak bisa di analisis secara
otomatis oleh sistem maka dibutuhkan analisis manual, adapun yang kedua yaitu
mengambil probabilitas data terbesar pada halaman web atau media sosial yang
tertinggi, namun tantangan banyaknya perilaku pengguna yang heterogen tidak dapat
dihindari.
25
Cara mengukur analisis sentimen menurut Danneman dan Heimann (2014:59) yaitu
dengan menggunakan kamus kata – kata (kosakata) dan setiap kata memiliki skor
polaritas terkait. Sebagai contoh didalam kamus memiliki kata luar biasa dan kata
tersebut diberikan skor positif dua, dan sebaliknya didalam kamus terdapat kata tidak
bagus dan kata tersebut diberikan skor negatif satu. Jika ada kalimat saya bertemu
dengan pelatih yang luar biasa, maka kalimat tersebut bernilai positif dua. Sementara
itu menurut pemaparan dari Bhatia dkk. (2017:202) cara mengukur analisis sentimen
dapat dilakukan dengan tiga tingkatan yaitu document level: mencari polaritas dari
keseluruhan dokumen, sentence level: mencari polaritas dari sebuah kalimat, aspect
level: mencari polaritas dari suatu aspek tertentu.
Sedangkan menurut Biagioni (2016:10) cara mengukur analisis sentimen dapat
menggunakan tiga tingkatan yang berbeda yaitu document level: mengklasifikasikan
analisis dari seluruh isi dokumen dianggap positif atau negatif, sentence level:
mengklasifikasikan analisis dari kalimat seorang individu sebagai positif atau negatif,
dan entity level: analisis sentimen berdasarkan gagasan bahwa kalimat atau kata
memiliki target sentimen. Menurut Silge dan Robinson (2017:13) cara mengukur
analisis sentimen suatu teks adalah dengan mempertinbangkan suatu teks sebagai
kombinasi dari kata – kata individualnya, dan isi sentimen dari keseluruhan teks
dianggap sebagai jumlah dari isi sentimen dari kata – kata individunya. Ini adalah
pendekatan yang sering digunakan karena cara ini secara alami dapat mengambil
keuntungan atau kemudahan sebuah sistem yang sangat rapi.
Adapun cara mengukur analisis sentimen menurut Kolkur dkk. (2015:769) terdapat
tiga tingkatan berbeda yaitu document level: dalam sebuah dokumen diasumsikan
memiliki pendapat tentang objek tunggal saja seperti ulasan film, buku atau hotel.
Tingkatan ini tidak cocok dipakai untuk dokumen yang mengandung pendapat tentang
objek yang berbeda seperti pada forum atau blog, sentence level: pada tingkatan ini
polaritas dihitung pada setiap kalimat karena setiap kalimat dianggap sebagai unit yang
terpisah dan setiap kalimat dapat memiliki pendapat yang berbeda, feature level: untuk
26
mengidentifikasi potongan teks karena dianggap sebagai unit sentimen yang berbeda.
Menurut Hercig (2015:5) cara mengukur analisis sentimen adalah dengan
menggunakan empat pendekatan berbeda yaitu document level: tingkatan ini biasanya
digunakan untuk berbagai ulasan, dimana tugasnya adalah menentukan keseluruhan
sentimen terhadap target misalnya produk atau film, sentence level: menganalisis
sentimen pada keseluruhan kalimat, aspect based level: pendekatan dengan
menggunakan gabungan antara document level dan sentence level yang berfokus pada
penentuan sentimen untuk setiap aspek dari target sentimen, word level:
mengidentifikasi analisis sentimen pada setiap polaritas kata – kata.
Bibi (2017:2) menjelaskan cara mengukur analisis sentimen yaitu terdapat tiga
tingkatan berbeda yaitu document level: mengkalsifikasikan sentimen yang diperoleh
dari ulasan dan menunjukkan bahwa seluruh dokumen memiliki nilai sentimen positif
atau sentimen negatif, sentence level: pada tingkatan ini bahwa setiap kalimat
menunjukka tingkat sentimen yang berbeda seperti sentimen positif, negatif dan netral,
feature level: identifikasi sentimen yang dikomentari oleh pengguna pada objek
tertentu dan dapat mengidentifikasi pola dari opini pengguna yaitu positif atau negatif
untuk setiap kata dan kalimat yang berbeda. Menurut pendapat Patil dan Yalagi
(2016:523) cara mengukur analisis sentimen dapat menggunakan tiga pendekatan yaitu
document level: pendekatan ini untuk mengklasifikasikan seluruh opini dokumen
kedalam sentimen yang berbeda untuk sebuah produk atau jasa, sentence level:
menentukan setiap kalimat pada sentimen yang berbeda yaitu positif, negatif dan netral
yang digunakan untuk ulasan dan komentar yang mengandung satu kalimat dan ditulis
oleh pengguna, entity and aspect level: berfokus untuk mengidentifikasi dan
mengekstraksi opini dari sumber data yang digunakan ketika kita membutuhkan
sentimen tentang aspek yang diinginkan dalam ulasan.
Berdasarkan pendapat dari para ahli, maka dapat saya simpulkan bahwa cara
mengukur analisis sentimen adalah dengan menggunakan beberapa cara atau tingkatan
yaitu the term level: tingkatan ini menyediakan kamus indeks kata tambahan untuk
27
mempermudah dalam penentuan sentimen dari setiap kata atau kalimat dan berfungsi
sebagai alat bantu untuk tingkatan yang lebih tinggi, the expreession level: untuk
menentukan sebuah sentimen pada ekspresi pengguna dari setiap kata atau kalimat
tertentu dan menentukan sentimen dalam sebuah kalimat yang lebih sulit, seperti
ekspresi seseorang ketika senang yang menggunakan kata negatif namun memiliki
makna positif, tingkatan ini tidak sepenuhnya akurat oleh karena itu dibutuhkan para
analis untuk membantu menyelesaikan dan memperbaikinya, the passage level:
tingkatan ini dapat menganalisis sentimen pada konten yang hanya menyediakan satu
kalimat atau kata, menyertakan beberapa kalimat dan kalimat yang sangat panjang,
document level: tingkatan ini memiliki klasifikasi sentimen positif atau negatif yang
berorientasi pada keseluruhan dokumen, sentence level: mengklasifikasikan sentimen
pada setiap kalimat karena setiap kalimat dianggap sebagai kesatuan yang berbeda,
word level: pada tingkatan ini setiap polaritas kata diberikan sentimen yang berbeda
baik itu positif ataupun negatif.
Selain itu terdapat beberapa cara lainnya untuk mengukur analisis sentimen yaitu
mulai dari menghitung masing – masing kekuatan dan kelemahannya, merubah metode
yang lama dari yang menggunakan data statistik murni hingga pemrosesan bahasa
alami murni yang berdasarkan data hybrids. Adapun cara lainnya adalah dengan
menggunakan tiga teknik pendekatan utama yaitu pendekatan berbasis pengetahuan:
teknik ini sangat populer karena aksesibilitas yang mudah dan maslaah ekonomi,
pendekatan metode statistik: teknik ini mungkin dapat secara efektif mengelompokkan
sentimen dari teks pengguna pada halaman atau tingkat paragraf, akan tetapi metode
ini tidak berfungsi secara baik untuk menentukan sentimen pada tingkat kalimat atau
kata, pendekatan hybrid: teknik ini memanfaatkan kedua pedekatan yaitu pendekatan
berbasis pengetahuan dan pendekatan metode statistik untuk melakukan tugas – tugas
seperti pengenalan emosi dan untuk mendeteksi semua pola sentimen dari kata,
kalimat, teks, atau data multimodal.
28
Adapun cara mengukur analisis sentimen yang lain adalah dengan menggunakan
tiga metode pengukuran yaitu out degree centrality: mengukur jumlah pengikut yang
dimiliki oleh akun tertentu dalam sebuah jaringan data. Jumlah pengikut yang tinggi
menunjukkan bahwa akun tersebut terhubung dengan baik dengan akun lainnya dalam
suatu jaringan, betweenness centrality: mengukur jumlah simpul yang dimiliki diantara
sebuah akun yang dilalui oleh node tertentu yang terhubung dengan akun lainnya
didalam sebuah jaringan data, dan closeness centrality: mengukur jarak terdekat antara
node sebuah akun yang terhubung dengan akun lainnya dalam sebuah jaringan.
29
BAB III
AKTIVITAS PENUGASAN MAGANG
3.1 Realisasi Kegiatan Magang
Tabel 3.1
Tabel Aktivitas Magang
Hari ke Tanggal Jenis Aktivitas Magang
1 21 Mei 2018 Pengenalan mengenai PT. Mediawave Interactive dan
divisi digital producer
Pengenalan mengenai profil perusahaan dan profil divisi digital producer yang
disampaikan oleh Bapak Hadrian Febri selaku head of digital producer dan
pembimbing magang Bapak Acep Ahman Hidayat. Penjelasan meliputi aspek –
aspek yang ada didalam divisi tersebut serta penjelasan tugas termasuk berkenalan
dengan pegawai lainnya. Perkenalan dilakukan mulai pukul 09:00 hingga 11:30
dilanjut pembagian job description divisi digital producer pada pukul 13:30 sampai
dengan 15:00. Penulis mendapat tugas untuk mencari, memantau dan menganalisa
data yang akan digunakan dalam kegiatan social media award 2018.
2 22 Mei 2018 Menganalisa seluruh data brand untuk setiap kategori
dalam kegiatan social media award 2018
Pada hari kedua saya mendapatkan tugas dari Pak Acep yang dikirim melalui email
untuk menganalisa seluruh data brand dan menambahkan brand yang kurang pada
setiap kategori yang ada dalam kegiatan social media award 2018. Terdapat 235
kategori yang telah ditentukan dan setidaknya terdapat 4 brand dalam setiap
kategori, kategori yang penulis analisa hari ini adalah Biskuit marie dan Kornet
kaleng. Tugas tersebut dikerjakan mulai pukul 09:00 hingga pukul 11:30 dan
dilanjutkan pada pukul 13:30 hingga 16:00. Berikut adalah screenshot dari data
kegiatan social media award 2018:
30
3 23 Mei 2018 Medapatkan penjelasan dari Pak Acep mengenai
platform untuk mendapatkan data yang akan digunakan
untuk kegiatan social media award 2018
Mulai pukul 08.30 hingga pukul 11:30 penulis diberikan akses untuk menggunakan
platform yang digunakan untuk membantu mendapatkan data percakapan dari para
pengguna media untuk setiap brand, data tersebut digunakan untuk menentukan
brand terbaik pada kegiatan social media award 2018 yang dinilai berdasarkan
jumlah data dan jumlah sentimen positif terbanyak dari setiap brand yang ada. Pada
pukul 13:30 hingga pukul 16:00 Pak Acep memberikan penjelasan mengenai
platform yang digunakan tersebut. Berikut adalah screenshot dari platform yang
digunakan:
31
Pada bagian What’s Up? Top Net Sentiment digunakan untuk melihat jumlah seluruh
sentimen terbanyak yang didapatkan untuk satu brand tertentu, Top Unique User
digunakan untuk melihat jumlah akun yang unik terbanyak yang didapatkan untuk
brand tertentu, dan Top Earned Media Share Sentiment digunakan untuk melihat
sentimen terbanyak yang dibagikan pada media untuk brand tertentu. Pada bagian
Where’s the Crowd? digunakan untuk melihat media yang digunakan untuk berbagi
data, untuk media yang digunakan adalah Twitter, Facebook, Instagram, Youtube,
Blog, News, dan Forum. Pada bagian Productive Time digunakan untuk melihat
waktu percakapan paling produktif dan jumlah percakapan yang dibagikan, untuk
waktu yang digunakan pada kegiatan ini adalah mulai dari tanggal 1 Mei hingga
tanggal 31 Juli. Pada bagian Peoples digunakan untuk melihat pengguna atau orang
yang paling banyak membagikan suatu topik tertentu dan melihat jumlah jangkauan
dari percakapan yang dibagikannya. Pada bagian Mood Board digunakan untuk
melihat nama – nama brand dan jumlah percakapan yang dibagikan mengenai brand
tersebut, untuk warna pada bagian ini menunjukan sentimen dari setiap percakapan
yang dibagikan untuk pembagiannnya adalah warna hijau untuk sentimen positif,
warna merah untuk sentimen negatif, dan warna putih untuk sentimen netral. Pada
32
bagian The Talks digunakan untuk melihat setiap kata atau kalimat yang paling
banyak digunakan yang berhubungan dengan suatu brand pada kategori yang dipilih.
4 24 Mei 2018 Monitoring hasil pengambilan data pada platform untuk
kategori Pembalut wanita
Mulai pukul 08:30 hingga pukul 14:00 penulis melakukan aktivitas monitoring hasil
dari pengambilan data dari kategori Pembalut wanita. Pada kategori ini brand yang
paling banyak dibicarakan adalah Charm dengan jumlah sentimen sebanyak 23,
pengguna unik sebanyak 23, dan sentimen yang dibagikan sebanyak 38. Untuk
media terbanyak yang digunakan membicarakan kategori ini adalah Twitter dengan
jumlah 100 persen dari total jumlah percakapan sebanyak 60 dan waktu paling
produktifnya adalah tanggal 21 Mei 2018 dengan jumlah pecakapan sebanyak 6,
terdapat lima pengguna yang paling banyak membicarakan kategori ini dan jumlah
terbanyak untuk jangkauan percakapan tentang kategori ini dimiliki oleh HIJUP
dengan jumlah 60179. Untuk sentimen netral yang didapatkan pada brand Softex
sebanyak 15, Charm sebanyak 23, Kotex sebanyak 5, Laurier sebanyak 16, dan
Hersprotex sebanyak 1. Untuk kata atau kalimat yang paling banyak disebutkan
adalah pembalut. Berikut adalah screenshot hasil data untuk kategori Pembalut
wanita:
33
kategori Biskuit marie dan melaksanakan buka puasa
bersama yang diikuti oleh seluruh divisi PT.
Mediawave Interactive di Trans Studio Mall Bandung
Mulai pukul 08.30 hingga 13.00 penulis melanjutkan aktivitas monitoring hasil
pengambilan data pada platform dari kategori Biskuit marie. Pada kategori ini brand
yang paling banyak dibicarakan adalah Regal dengan jumlah sentimen sebanyak 8,
pengguna unik sebanyak 8, dan sentimen yang dibagikan sebanyak 86. Untuk media
terbanyak yang digunakan membicarakan kategori ini adalah Twitter dengan jumlah
100 persen dari total jumlah percakapan sebanyak 11 dan waktu paling produktifnya
adalah tanggal 26 juli 2018 dengan jumlah pecakapan sebanyak 4, terdapat lima
pengguna yang paling banyak membicarakan kategori ini dan jumlah terbanyak
untuk jangkauan percakapan tentang kategori ini dimiliki oleh Rlthingy dengan
jumlah 104619. Untuk sentimen netral yang didapatkan pada brand Roma sebanyak
1, sentimen netral yang didapatkan Regal sebanyak 6, 1 untuk sentimen negatif dan
3 untuk sentimen positif. Untuk kata atau kalimat yang paling banyak disebutkan
adalah marie dan regal. Berikut adalah screenshot hasil data untuk kategori Biskuit
marie:
34
Pada pukul 14.00 penulis diperbolehkan pulang lebih awal untuk kegiatan buka
puasa bersama dengan seluruh divisi PT. Mediawave Interactive di Giggle Box
Trans studio Mall.
kategori Kornet kaleng
Mulai pukul 08:30 hingga pukul 11:00 dan dilanjutkan pada pukul 13:00 hingga
pukul 16:00 penulis melakukan aktivitas monitoring hasil dari pengambilan data
pada platform dari kategori Kornet kaleng. Pada kategori ini brand yang paling
banyak dibicarakan adalah Pronas dengan jumlah sentimen sebanyak 88, pengguna
unik sebanyak 73, dan sentimen yang dibagikan sebanyak 149. Untuk media
terbanyak yang digunakan membicarakan kategori ini adalah Twitter dengan jumlah
93.41 persen, News dengan jumlah 1.10 persen, dan Facebook dengan jumlah 5.49
persen dari total percakapan sebanyak 91 dan waktu paling produktifnya adalah
tanggal 22 juli 2018 dengan jumlah pecakapan sebanyak 29, terdapat lima pengguna
yang paling banyak membicarakan kategori ini dan jumlah terbanyak untuk
jangkauan percakapan tentang kategori ini dimiliki oleh Indomaret dengan jumlah
468081. Untuk sentimen netral yang didapatkan pada brand Pronas sebanyak 86 dan
sentimen positif sebanyak 2, sentimen positif yang dimiliki Cip sebanyak 1, dan
Belfoods sebanyak 1. Untuk kata atau kalimat yang paling banyak disebutkan adalah
lembar, potong, dan margarin. Berikut adalah screenshot hasil data untuk kategori
Kornet kaleng:
35
7 30 Mei 2018 Menentukan kata kunci pada setiap brand yang ada
pada kategori Es krim yang telah dibuat dan
memasukannya kedalam platform
pukul 16:00 penulis menentukan kata kunci yang tepat pada kategori Es krim
bertujuan untuk proses pengambilan data didalam platform mendapatkan hasil yang
maksimal dan mengurangi data percakapan yang tidak sesuai dengan topik pada
kategori tersebut. Berikut adalah hasil dari penentuan kata kunci untuk setiap brand
yang ada pada kategori Es krim.
36
kategori Es krim
pada platform dari kategori Es krim. Pada kategori ini brand yang paling banyak
dibicarakan adalah Campina dengan jumlah sentimen sebanyak 475, pengguna unik
sebanyak 406, dan sentimen yang dibagikan sebanyak 70. Untuk media terbanyak
yang digunakan membicarakan kategori ini adalah Twitter dengan jumlah 93.97
persen, News LN dengan jumlah 0.10 persen, Instagram dengan jumlah 0.68 persen,
Youtube dengan jumlah 0.68 persen, News dengan jumlah 2.43 persen dan Facebook
dengan jumlah 2.04 persen dari total percakapan sebanyak 1028 dan waktu paling
produktifnya adalah tanggal 8 Mei 2018 dengan jumlah pecakapan sebanyak 308,
terdapat lima pengguna yang paling banyak membicarakan kategori ini dan jumlah
terbanyak untuk jangkauan percakapan tentang kategori ini dimiliki oleh
okezonenews dengan jumlah 2184913. Untuk sentimen netral yang didapatkan pada
brand Walls sebanyak 203 dan sentimen positif sebanyak 1, untuk sentimen netral
pada brand Campina sebanyak 468 dan sentimen positif sebanyak 8, untuk sentimen
netral pada brand Magnum sebanyak 246 dan sentimen negatif sebanyak 1, dan
untuk sentimen netral pada brand Diamond sebanyak 94. Untuk kata atau kalimat
yang paling banyak disebutkan adalah Campina, dan krim. Berikut adalah screenshot
hasil data untuk kategori Es krim:
37
9 4 Juni 2018 Mengunggah desain poster di Instagram dan
melanjutkan monitoring hasil pengambilan data pada
platform untuk kategori Susu bubuk dewasa berkalsium
Mulai pukul 09.00 hinggal pukul 11.00 penulis mengunggah desain poster tentang
memperingati Hari Waisak di Instagram. Dilanjutkan pukul 13.00 hingga pukul
16:00 penulis melanjutkan aktivitas monitoring hasil pengambilan data pada
platform untuk kategori Susu bubuk dewasa berkalsium. Berikut adalah material dari
pekerjaan diatas:
Pada kategori ini brand yang paling banyak dibicarakan adalah Hi Lo dengan jumlah
sentimen sebanyak 396, pengguna unik sebanyak 369, dan sentimen yang dibagikan
sebanyak 63. Untuk media terbanyak yang digunakan membicarakan kategori ini
adalah Twitter dengan jumlah 93.98 persen, News dengan jumlah 3.20 persen,
Instagram dengan jumlah 0.15 persen, Youtube dengan jumlah 0.46 persen, Forum
dengan jumlah 0.15 persen dan Facebook dengan jumlah 2.01 persen dari total
percakapan sebanyak 648 dan waktu paling produktifnya adalah tanggal 3 Juni 2018
dengan jumlah pecakapan sebanyak 35, terdapat lima pengguna yang paling banyak
membicarakan kategori ini dan jumlah terbanyak untuk jangkauan percakapan
tentang kategori ini dimiliki oleh Indomaret dengan jumlah 467652. Untuk sentimen
netral yang didapatkan pada brand Anlene sebanyak 193 dan sentimen positif
sebanyak 34, untuk sentimen netral pada brand Hi Lo sebanyak 320, sentimen positif
sebanyak 85 dan sentimen negatif sebanyak 9, dan untuk sentimen positif pada brand
38
Produgen sebanyak 1. Untuk kata atau kalimat yang paling banyak disebutkan adalah
susu.
10 5 Juni 2018 Mengunggah dokumen event di web-system dan sharing
bersama pembimbing mengenai industri data digital
saat ini
Mulai pukul 08:30 hingga pukul 13:00 penulis mengunggah dokumen event di web-
system milik PT. Mediawave Interactive. Event tersebut adalah Pekan Kreasi dan
Ajang Sosial II yang merupakan hasil kerja sama dengan Sekolah Tinggi Keguruan
dan Ilmu Pendidikan Siliwangi Bandung, sedangkan event CITY SPACE MARKET,
dan AECTHETIC merupakan hasil kerja sama dengan Politeknik Bandung.
Dilanjutkan pada pukul 14:00 hingga pukul 16:00 penulis melakukan diskusi dengan
Bapak Acep Ahman Hidayat mengenai industri data digital saat ini yang sedang
populer dan bagaimana upaya - upaya untuk menghadapi masalah yang ada. Berikut
adalah material dari pekerjaan diatas:

platform untuk kategori Air minum dalam kemasan
beroksigen
Mulai pukul 09.00 hinggal pukul 11.00 saya mengunggah desain poster tentang
memperingati Hari Tanpa Rokok Internasional di Instagram dan dilanjut pada pukul
13.00 hingga pukul 16:00 melakukan aktivitas monitoring hasil pengambilan data
pada platform untuk kategori Air minum dalam kemasan beroksigen. Berikut adalah
material dari pekerjaan diatas:
39
Pada kategori ini brand yang paling banyak dibicarakan adalah Cleo dengan jumlah
sentimen sebanyak 28, pengguna unik sebanyak 18, dan sentimen yang dibagikan
adalah News dengan jumlah 58.62 persen, Twitter dengan jumlah 37.93 persen, dan
Youtube dengan jumlah 3.45 persen dari total percakapan sebanyak 29 dan waktu
paling produktifnya adalah tanggal 30 Mei 2018 dengan jumlah pecakapan sebanyak
3, terdapat tiga pengguna yang paling banyak membicarakan kategori ini dan jumlah
terbanyak untuk jangkauan percakapan tentang kategori ini dimiliki oleh
www.jpnn.com dengan jumlah 1. Untuk sentimen netral yang didapatkan pada brand
Cleo sebanyak 27 dan sentimen positif sebanyak 1, dan untuk sentimen netral pada
brand Super02 sebanyak 1. Untuk kata atau kalimat yang paling banyak disebutkan
adalah kemasan dan Cleo.
12 07 Juni 2018 Mengunggah dokumen event pada web-system untuk
melakukan kerja sama dan merapikan proposal yang
sudah diunggah
Mulai pukul 08:30 hingga pukul 11:30 penulis mendapatkan tugas untuk
mengunggah dokumen event turnamen bola basket PIALA GUBERNUR 2018.
Event tersebut merupakan hasil kerja sama dengan Gurbernur Jawa Barat untuk
kegiatannya adalah turnamen bola basket antar SMP se-Jawa Barat. Unggahan kali
ini bertujuan sebagai ajakan untuk segera mendaftarkan sekolah masing - masing.
Masa pendaftaran dimulai 7 Juni sampai 3 Agustus 2018, berikut material yang
diunggah:
40
Dilanjutkan pada pukul 13:00 hingga pukul 16:00 penulis diberi tugas untuk
merapikan proposal - proposal yang sudah diunggah di web-system agar lebih mudah
dalam membedakan yang sudah diunggah dan yang belum, proposal tersebut
kemudian diberikan ke Bapak Acep untuk dimasukan ke dalam arsip.
13 08 Juni 2018 Monitoring hasil pengambilan data pada platform untuk
kategori Kacang bermerek
pada platform untuk kategori kacang bermerek. Pada kategori ini brand yang paling
banyak dibicarakan adalah Duakelinci dengan jumlah sentimen sebanyak 33,
pengguna unik untuk kategori ini adalah brand Garuda dengan jumlah sebanyak 24,
dan sentimen yang dibagikan pada kategori ini adalah brand Duakelinci dengan
jumlah sebanyak 52. Untuk media terbanyak yang digunakan membicarakan
kategori ini adalah Twitter dengan jumlah 100 persen dari total jumlah percakapan
sebanyak 66 dan waktu paling produktifnya adalah tanggal 21 Juli 2018 dengan
jumlah pecakapan sebanyak 15, terdapat lima pengguna yang paling banyak
tentang kategori ini dimiliki oleh Indomaret dengan jumlah 512984. Untuk sentimen
netral yang didapatkan pada brand Duakelinci sebanyak 33, dan untuk sentimen
netral yang didapatkan pada brand Garuda sebanyak 31, dan sentimen negatif
sebanyak 1. Untuk kata atau kalimat yang paling banyak disebutkan adalah kacang,
41
garuda dan kelinci. Berikut adalah screenshot hasil data untuk kategori Kacang
bermerek:
14 21 Juni 2018 Mengunggah dokumen event hasil kerja sama pada

web-system dan monitoring hasil pengambilan data
pada platform untuk kategori Keju
Mulai pukul 08:30 hingga pukul 11:00 penulis mengunggah dokumen event
AECTHETIC 2018. Event ini adalah hasil kerja sama dengan Politeknik Bandung
yang akan diadakan pada tanggal 21 sampai 25 Agustus 2018. Dilanjutkan pada
pukul 13:00 hingga pukul 16:00 melakukan aktivitas monitoring hasil pengambilan
data pada platform untuk kategori Keju. Berikut material dari pekerjaan diatas:
42
Pada kategori ini brand yang paling banyak dibicarakan adalah Prochiz dengan
jumlah sentimen sebanyak 68, pengguna unik sebanyak 68, dan sentimen yang
dibagikan pada kategori ini adalah brand Kraft dengan jumlah sebanyak 117. Untuk
media terbanyak yang digunakan membicarakan kategori ini adalah Twitter dengan
jumlah 98.85 dan News dengan jumlah 1.15 persen dari total jumlah percakapan
sebanyak 87 dan waktu paling produktifnya adalah tanggal 22 Juli 2018 dengan
jumlah pecakapan sebanyak 30, terdapat lima pengguna yang paling banyak
tentang kategori ini dimiliki oleh Carrefour_id dengan jumlah 725419. Untuk
sentimen netral yang didapatkan pada brand Kraft sebanyak 15 dan sentimen positif
sebanyak 1, untuk sentimen netral yang didapatkan pada brand Prochiz sebanyak 68,
dan sentimen netral yang didapatkan pada brand Qeju sebanyak 3. Untuk kata atau
kalimat yang paling banyak disebutkan adalah margarin, keju dan bawang.
15 22 Juni 2018 Mengunggah dokumen event hasil kerja sama pada

web-system. Melakukan riset pada media sosial dan
menyampaikan hasilnya kepada Pak Acep
Mulai pukul 08:30 hingga pukul 11:00 penulis mengunggah dokumen event Kursus
Komandan Satuan. Event ini adalah hasil kerja sama dengan Resimen Mahasiswa
Mahawarman Bandung yang akan diadakan pada tanggal 23 Oktober 2018.
Dilanjutkan pada pukul 13:00 hingga pukul 17:00 melakukan riset untuk referensi
pemasaran melalui media sosial mengenai hal yang sedang marak dilakukan pada
tahun 2018 dan penulis menyampaikan hasil dari riset tersebut kepada Pak Acep
untuk menjadi opsi yang nantinya bisa diterapkan oleh perusahaan. Berikut adalah
material dari dokumen diatas:
43
16 25 Juni 2018 Monitoring hasil pengambilan data pada platform untuk
kategori Jelly drink
pada platform untuk kategori Jelly drink. Pada kategori ini brand yang paling banyak
dibicarakan adalah Okkyjelly dengan jumlah sentimen sebanyak 1099, pengguna
unik dengan jumlah sebanyak 1022, dan sentimen yang dibagikan dengan jumlah
adalah Twitter dengan jumlah 99.67 persen, Youtube dengan jumlah 0.17 persen,
dan News dengan jumlah 0.17 persen dari total jumlah percakapan sebanyak 1202
dan waktu paling produktifnya adalah tanggal 19 Juli 2018 dengan jumlah pecakapan
sebanyak 323, terdapat lima pengguna yang paling banyak membicarakan kategori
ini dan jumlah terbanyak untuk jangkauan percakapan tentang kategori ini dimiliki
oleh Bisniscom dengan jumlah 952844. Untuk sentimen netral yang didapatkan pada
brand Vitajelly sebanyak 100, dan untuk sentimen netral yang didapatkan pada
brand Okkyjelly sebanyak 388, sentimen negatif sebanyak 1, dan sentimen positif
sebanyak 712. Untuk kata atau kalimat yang paling banyak disebutkan adalah Okky,
jelly, dan drink. Berikut adalah screenshot hasil data untuk kategori Jelly drink:
44
platform untuk kategori Madu
Mulai pukul 09.00 hinggal pukul 11.00 penulis mengunggah desain poster tentang
memperingati Hari Lingkungan Hidup Internasonal di Instagram. Dilanjutkan pada
pukul 13:00 hingga pukul 17:00 melakukan aktivitas monitoring hasil pengambilan
data pada platform untuk kategori Madu. Berikut adalah gambar dari material diatas:
Pada kategori ini brand yang paling banyak dibicarakan adalah Madutj dengan
jumlah sentimen sebanyak 344, pengguna unik dengan jumlah sebanyak 302, dan
sentimen yang dibagikan dengan jumlah sebanyak 89. Untuk media terbanyak yang
digunakan membicarakan kategori ini adalah Twitter dengan jumlah 99.07 persen,
Youtube dengan jumlah 0.42 persen, News dengan jumlah 1.88 persen, Instagram
dengan jumlah 0.21 persen, dan Facebook dengan jumlah 0.42 persen dari total
jumlah percakapan sebanyak 478 dan waktu paling produktifnya adalah tanggal 2
Mei 2018 dengan jumlah pecakapan sebanyak 39, terdapat lima pengguna yang
paling banyak membicarakan kategori ini dan jumlah terbanyak untuk jangkauan
percakapan tentang kategori ini dimiliki oleh Indomaret dengan jumlah 468075.
Untuk sentimen netral yang didapatkan pada brand Madurasa sebanyak 98, sentimen
positif sebanyak 14, untuk sentimen netral yang didapatkan pada brand Madutj
sebanyak 314, sentimen positif sebanyak 32, dan untuk sentimen netral yang
45
didapatkan pada brand Madunusantara sebanyak 13. Untuk kata atau kalimat yang
paling banyak disebutkan adalah Madu.
18 28 Juni 2018 Mengunggah dokumen event hasil kerja sama dengan
perusahaan di web-system dan monitoring hasil
pengambilan data pada platform untuk kategori
Minuman kesehatan wanita
Mulai pukul 09.00 hingga pukul 11:00 penulis mengunggah dokumen event
SMILEMOTION 2018 di web-system. Event ini adalah hasil kerja sama dengan
Fakultas Kedokteran Gigi Universitas Padjajaran yang akan dilaksanakan pada
tanggal 9 Desember 2018. Dilanjutkan pada pukul 13:00 hingga pukul 17:00
melakukan aktivitas monitoring hasil pengambilan data pada kategori Minuman
kesehatan wanita. Berikut gambar dari material diatas :
Pada kategori ini brand yang paling banyak dibicarakan adalah Kiranti dengan
jumlah sentimen sebanyak 1752, pengguna unik dengan jumlah sebanyak 2539, dan
sentimen yang dibagikan dengan jumlah sebanyak 95. Untuk media terbanyak yang
digunakan membicarakan kategori ini adalah Twitter dengan jumlah 99.38 persen,
Youtube dengan jumlah 0.17 persen, News dengan jumlah 0.34 persen, Forum
dengan jumlah 0.03 persen, dan Facebook dengan jumlah 0.17 persen dari total
jumlah percakapan sebanyak 2936 dan waktu paling produktifnya adalah tanggal 3
Juni 2018 dengan jumlah pecakapan sebanyak 289, terdapat lima pengguna yang
46
paling banyak membicarakan kategori ini dan jumlah terbanyak untuk jangkauan
percakapan tentang kategori ini dimiliki oleh Indomaret dengan jumlah 469717.
Untuk sentimen netral yang didapatkan pada brand Kiranti sebanyak 1751, sentimen
positif sebanyak 559, sentimen negatif sebanyak 558, dan untuk sentimen netral yang
didapatkan pada brand Kunyitasam sebanyak 34. Untuk kata atau kalimat yang
paling banyak disebutkan adalah Kiranti.
19 29 Juni 2018 Medapatkan penjelasan dari Pak Acep mengenai
platform untuk melakukan analisis sentimen
Mulai pukul 08.30 hingga pukul 11:30 penulis diberikan akses untuk menggunakan
platform yang digunakan untuk melakukan analisis sentimen dari hasil data
percakapan yang telah didapatkan. Tujuan dari analisis sentimen adalah untuk
menentukan tingkat opini dari hasil percakapan pada media sosial yang dapat
digunakan sebagai ukuran baik dan buruknya suatu brand berdasarkan tingkat nilai
opini para pengguna media sosial. Pada pukul 13:30 hingga pukul 17:00 Pak Acep
memberikan penjelasan mengenai platform yang digunakan tersebut. Berikut adalah
screenshot dari platform yang digunakan:
Pada bagian Project digunakan untuk memilih kategori yang hasil datanya telah
didapatkan menggunakan platform sebelumnya, untuk bagian Keyword digunakan
47
untuk memilih brand yang ada pada kategori yang dipilih dan untuk Active
Scheduling adalah untuk mengaktifkan penentuan analisis sentimen secara otomatis
untuk setiap dua jam tapi dikarenakan belum sempurna maka untuk sementara waktu
tidak dapat digunakan. Pada bagian Sentimen General berguna untuk memasukan
kata kunci sentimen pada data yang didapatkan dari Facebook, Youtube, Instagram,
News, dan Forum atau media yang memiliki hasil percakapan yang lebih dari 140
karakter. Pada bagian Short Keyword digunakan untuk memasukkan kata kunci
sentimen pada data yang didapatkan dari Twitter saja. Pada kolom Positive untuk
memasukkan kata kunci sentimen positif, kolom Negative untuk memasukkan kata
kunci yang negatif, dan kolom Neutral untuk memperbaiki kata kunci yang tidak
sesuai dengan sentimen negatif atau sentimen positif.
20 2 Juli 2018 Mengunggah dokumen event hasil kerja sama di web-
system dan merapikan proposal yang sudah diunggah
Mulai pukul 09.30 hingga pukul 11.30 penulis mengunggah dokumen event Tablik
Akbar Tasyakur Binni’mah, dan BOMB UNINUS. Event tersebut merupakan hasil
kerja sama dengan Universitas Islam Nusantara yang akan diadakan pada tanggal 10
September 2018, acara tersebut bertujuan untuk memberikan pembekalan dan arahan
selama kuliah kepada mahasiswa baru. Unggahan kali ini bertujuan untuk mengajak
para mahasiswa baru untuk segera mendaftar pada acara tersebut, pendaftaran dibuka
pada tanggal 1 Agustus hingga 1 September. Berikut gambar material diatas :
Selanjutnya pada pukul 13:00 hingga pukul 17:00 penulis diberi tugas untuk
merapikan proposal - proposal yang sudah diunggah di web-system agar lebih mudah
48
dalam membedakan yang sudah diunggah dan yang belum, proposal tersebut
kemudian diberikan ke Bapak Acep untuk dimasukan ke dalam arsip.
21 3 Juli 2018 Melakukan analisis sentimen hasil pengambilan data
untuk kategori Isp mobile.
pukul 17:00 penulis melakukan aktivitas analisis sentimen pada hasil pengambilan
data untuk kategori Isp mobile untuk brand Smartfren, dikarenakan masih banyak
nilai sentimen yang belum tepat sehingga harus dilakukan penilaian terhadap hasil
pengambilan data secara manual. Berikut screenshot hasil penentuan nilai sentimen
yang telah penulis buat:
Berdasarkan hasil penentuan nilai sentimen oleh penulis maka terlihat bahwa brand
Smartfren memiliki nilai sentimen negatif yang sangat banyak dilihat dari hasil
pengambilan data opini para pengguna akun Twitter, Facebook, dan Instagram,
sedangkan untuk nilai sentimen positif tidak ada, dan untuk kolom sentimen netral
penulis isi dengan akun atau pengguna dari perusahaan brand Smartfren
dikarenakan akun tersebut pasti akan memberikan opini yang positif dan membuat
platform memberikan nilai positif sehingga menyebabkan data menjadi tidak valid.
22 4 Juli 2018 Menentukan brand equity dari kategori Airlines
berdasarkan hasil pengambilan data pada platform
49
pukul 17:00 penulis menentukan posisi brand equity dari semua brand yang
termasuk dalam kategori Airlines menggunakan hasil pengambilan data pada
platform. Tujuannya adalah untuk menentukan brand terbaik dalam kategori
tersebut. Berikut adalah hasil screenshot dari pekerjaan diatas:
EMSS adalah jumlah sentimen positif dikurang dengan jumlah sentimen negatif, Net
Sentiment adalah jumlah seluruh data sentimen positif, negatif dan netral, Buzz
adalah jumlah percakapan netizen mengenai suatu brand, Unique User adalah
jumlah akun yang menyebutkan mengenai suatu brand. Berdasarkan hasil data
tersebut maka terlihat untuk brand Garuda Indonesia mendapatkan nilai EMSS
sebesar 8, Net Sentiment sebesar 13963, jumlah Buzz sebesar 26249, dan jumlah
Unique User sebesar 12117, sedangkan untuk brand Air Asia mendapatkan nilai
EMSS sebesar 46, Net Sentiment sebesar 33854, jumlah Buzz sebesar 36044, dan
jumlah Unique User sebesar 23862, dan untuk brand Citilink mendapatkan nilai
jumlah Unique User sebesar 11826. Maka berdasarkan hasil data tersebut brand
terbaik dapat diberikan kepada Air Asia dilihat dari jumlah EMSS yang
didapatkannya.
50
23 5 Juli 2018 Menentukan brand equity dari kategori Bedding
termasuk dalam kategori Bedding menggunakan hasil pengambilan data pada
platform. Tujuannya adalah untuk menentukan brand terbaik dalam kategori
Berdasarkan hasil data tersebut maka terlihat untuk brand Kingkoil mendapatkan
nilai EMSS sebesar 51, Net Sentiment sebesar 83, jumlah Buzz sebesar 85, dan jumlah
Unique User sebesar 26, sedangkan untuk brand Guhdo mendapatkan nilai EMSS
sebesar 2, Net Sentiment sebesar 5, jumlah Buzz sebesar 5, dan jumlah Unique User
sebesar 4, dan untuk brand Central mendapatkan nilai EMSS sebesar 18, Net
Sentiment sebesar 99, jumlah Buzz sebesar 101, dan jumlah Unique User sebesar 91.
Maka berdasarkan hasil data tersebut brand terbaik dapat diberikan kepada Kingkoil
dilihat dari jumlah EMSS yang didapatkannya.
24 6 Juli 2018 Menentukan brand equity dari kategori Laboratorium
Pada pukul 08.30 hingga pukul 16.00 penulis menentukan posisi brand equity dari
semua brand yang termasuk dalam kategori Laboratorium menggunakan hasil
51
pengambilan data pada platform. Tujuannya adalah untuk menentukan brand terbaik
dalam kategori tersebut. Berikut adalah hasil screenshot dari pekerjaan diatas:
Berdasarkan hasil data tersebut maka terlihat untuk brand Prodia mendapatkan nilai
EMSS sebesar 69, Net Sentiment sebesar 520, jumlah Buzz sebesar 542, dan jumlah
Unique User sebesar 282, sedangkan untuk brand Pramita mendapatkan nilai EMSS
sebesar 10, Net Sentiment sebesar 36, jumlah Buzz sebesar 36, dan jumlah Unique
User sebesar 16, dan untuk brand Bio Medika mendapatkan nilai EMSS sebesar 1,
Net Sentiment sebesar 2, jumlah Buzz sebesar 2, dan jumlah Unique User sebesar 2.
Maka berdasarkan hasil data tersebut brand terbaik dapat diberikan kepada Prodia
25 9 Juli 2018 Menentukan brand equity dari kategori Isp mobile
Pada pukul 08.30 hingga pukul 16.00 penulis menentukan posisi brand equity dari
semua brand yang termasuk dalam kategori Isp mobile menggunakan hasil
pengambilan data pada platform. Tujuannya adalah untuk menentukan brand terbaik
dalam kategori tersebut. Berikut adalah hasil screenshot dari pekerjaan diatas:
52
Berdasarkan hasil data tersebut maka terlihat untuk brand Smartfren mendapatkan
nilai EMSS sebesar 51, Net Sentiment sebesar 12294, jumlah Buzz sebesar 12618,
dan jumlah Unique User sebesar 5648, sedangkan untuk brand Indosatm2
mendapatkan nilai EMSS sebesar 0, Net Sentiment sebesar 5, jumlah Buzz sebesar 5,
dan jumlah Unique User sebesar 5, dan untuk brand Bolt mendapatkan nilai EMSS
sebesar 49, Net Sentiment sebesar 3848, jumlah Buzz sebesar 4118, dan jumlah
Unique User sebesar 2451. Maka berdasarkan hasil data tersebut brand terbaik dapat
diberikan kepada Smartfren dilihat dari jumlah EMSS yang didapatkannya.
26 10 Juli 2018 Membersihkan noise pada kategori Restoran fastfood
dengan memberikan kata kunci tambahan
pukul 17:00 penulis membersihkan noise dari hasil pengambilan data untuk kategori
Restoran fastfood dengan memperbaharui kata kunci yang telah dimasukkan
sebelumnya. Tujuan dari kegiatan ini adalah untuk membuang hasil pengambilan
data yang tidak sesuai atau tidak relevan dengan kategori dan topik yang telah
ditentukan dan untuk menjadikan hasil analisis sentimen yang dilakukan oleh
platform menjadi lebih baik. Berikut adalah hasil pembaharuan kata kunci yang telah
penulis buat:
53
27 11 Juli 2018 Menentukan brand equity dari kategori Restoran
fastfood berdasarkan hasil pengambilan data pada
platform
termasuk dalam kategori Restoran fastfood menggunakan hasil pengambilan data
pada platform. Tujuannya adalah untuk menentukan brand terbaik dalam kategori
54
Berdasarkan hasil data tersebut maka terlihat untuk brand KFC mendapatkan nilai
jumlah Unique User sebesar 15626, sedangkan untuk brand Mcdonalds
mendapatkan nilai EMSS sebesar 1, Net Sentiment sebesar 45, jumlah Buzz sebesar
63, dan jumlah Unique User sebesar 59, sedangkan untuk brand CFC mendapatkan
nilai EMSS sebesar 0, Net Sentiment sebesar 44, jumlah Buzz sebesar 52, dan jumlah
Unique User sebesar 40, dan untuk brand AW mendapat nilai EMSS sebesar 0, Net
Sentiment sebesar 0, jumlah Buzz sebesar 0, dan jumlah Unique User sebesar 0.
Maka berdasarkan hasil data tersebut brand terbaik dapat diberikan kepada KFC
28 12 Juli 2018 Menjelaskan apa itu kegiatan social media award
kepada karyawan magang baru dan cara menggunakan
platform analisis sentimen
Pada hari ini penulis ditugaskan untuk menjelaskan mengenai social media award
kepada karyawan magang baru mulai pukul 09.00 hingga pukul 11.00. Dilanjukan
pada pukul 13:00 hingga pukul 17:00 penulis diberi tugas untuk memberikan
petunjuk cara menggunakan platform untuk mengambil data pada media sosial dan
platform analisis sentimen serta aturan – aturan yang berlaku pada setiap platform.
Penulis juga menunjukkan contoh pekerjaan yang telah dibuat dan hasil data yang
telah ditentukan nilai sentimennya.
29 16 Juli 2018 Mengunggah desain mengenai hal yang paling banyak
dibicarakan dengan topik piala dunia 2018 berdasarkan
hasil pengambilan data pada Twitter
Mulai pukul 09.30 hingga pukul 14.00 penulis mencari data hal yang paling banyak
dibicarakan oleh pengguna Twitter di Indonesia berdasarkan topik yang telah
ditentukan yaitu piala dunia 2018. Dilanjutkan pada pukul 15:00 hingga pukul 17:00
penulis mengunggah desain dari hasil pengambilan data tersebut di Instagram milik
PT. Mediawave Interactive. Berikut adalah hasil desain yang diunggah:
55
Berdasarkan hasil desain tersebut maka dapat dijelaskan bahwa hal yang paling
banyak dibicarakan oleh pengguna Twitter di Indonesia dengan topik tersebut yaitu
pada kategori pemain bola yang paling banyak dibicarakan adalah Harry Maguire
dengan jumlah data sebanyak 903, Harry Kane dengan jumlah data sebanyak 274,
Luiz Suarez dengan jumlah data 227, Antoine Griezmann dengan jumlah data
sebanyak 202, dan Neymar dengan jumlah data sebanyak 181. Adapun untuk
kategori negara yang paling banyak dibicarakan adalah Inggris dengan jumlah data
sebanyak 1952, Belgia dengan jumlah data sebanyak 924, Rusia dengan jumlah data
sebanyak 923, Uruguay dengan jumlah data sebanyak 830, dan Brazil dengan jumlah
data sebanyak 804. Selanjutnya untuk kategori kejadian yang paling banyak
dibicarakan adalah Adu penalti dengan jumlah data sebanyak 365, Gol bunuh diri
dengan jumlah data sebanyak 98, dan Blunder dengan jumlah data sebanyak 79.
30 17 Juli 2018 Membuat laporan hasil akhir dan memberikan arahan
kepada karyawan magang yang ditunjuk sebagai admin
pada platform kegiatan social media award
Pada hari terakhir penulis melakukan kegiatan magang penulis diberi tugas untuk
memberikan laporan tentang hasil dan kesimpulan mengenai kegiatan sosial media
award 2018 dan berdiskusi dengan Bapak Acep Ahman Hidayat tentang masalah -
masalah yang terjadi selama mengerjakan kegiatan tersebut dimulai pukul 08.30
hingga pukul 14.00. Dilanjutkan pada pukul 15.00 hingga pukul 17.00 penulis
memberikan arahan apa saja yang harus dilakukan sebagai admin pada platform
kegiatan social media award kepada karyawan magang yang ditunjuk sebagai admin
56
selanjutnya. Adapun bentuk pemberian arahan yang penulis sampaikan meliputi cara
pembuatan dan penentuan kategori, penentuan brand, aturan pemberian sebuah kata
kunci dan cara memperbaharuinya, cara membersihkan noise, fungsi dari setiap
elemen yang terdapat pada platform hingga cara memberikan nilai sentimen pada
setiap hasil data yang telah didapatkan.
3.2 Relevansi Teori dan Praktek

Relevansi antara teori yang telah dipelajari dengan hasil kerja praktek yang
dilakukan oleh penulis di PT. Mediawave Interactive adalah sebagai berikut:
a. Berdasarkan teori yang dipaparkan oleh Dumbill (2012:9), big data adalah data
yang melebihi kapasitas pengolahan dari database konvensional entah data tersebut
terlalu besar, bergerak terlalu cepat, atau data tersebut tidak cocok dengan struktur
database, sehingga untuk memperoleh nilai dari data tersebut, diperlukan cara
alternatif untuk memproses data tersebut. PT. Mediawave Interactive sudah
menggunakan big data sebagai input data yang akan diolah menjadi sebuah
informasi, fokus dari divisi digital producer adalah untuk mencari data percakapan
dari para netizen dari berbagai media sosial maupun web, dan data tersebut akan
digunakan sebagai alat untuk melaksanakan kegiatan social media award 2018.
Dalam hal ini divisi digital producer PT. Mediawave Interactive melakukan
pengambilan data dan monitoring pada media sosial menggunakan platform yang
dapat melihat jumlah data yang telah diambil, melihat jumlah orang yang
memberikan data dan jangkauannya, jumlah seluruh media sosial yang digunakan,
waktu paling produktif yang dibagikan oleh pengguna media sosial, dan kata atau
kalimat yang paling banyak disebutkan untuk suatu brand dalam data tersebut. Data
yang digunakan dan diambil dalam kegiatan ini yaitu data yang dimulai dari awal
Mei hingga akhir Juli untuk melihat opini pengguna media sosial tentang suatu
brand yang terdaftar dalam kategori social media award 2018.
57
b. Berdasarkan teori yang dipaparkan oleh Han dkk. (2011:8), bahwa data mining
merupakan proses menemukan pola yang menarik dan pengetahuan dari data yang
berjumlah sangat besar. Data dapat bersumber dari database, gudang data, web,
repositori informasi lainnya atau data yang dialirkan kedalam sistem secara dinamis.
Dalam hal ini PT. Mediawave Interactive menggunakan platform-nya untuk
menambang data dari media sosial maupun web tentang semua brand yang terdaftar
dalam kategori kegiatan social media award 2018. Dalam pengambilan data yang
dilakukan, penulis memberikan kata kunci khusus berdasarkan apa yang menjadi
topik dalam suatu kategori tentang semua brand yang ada didalamnya. Namun, data
yang didapatkan menggunakan platform belum sepenuhnya efisien dikarenakan
masih banyak ditemukan bot yang mengakibatkan ketidaksesuaian dengan data
yang diinginkan. Oleh karena itu penulis harus menentukan kata kunci yang paling
efektif dan memasukkan semua kata kunci atau pengguna yang menjadi noise atau
data yang tidak sesuai agar hasil data yang telah didapatkan dapat menjadi alat untuk
pertimbangan penentuan brand terbaik dalam kegiatan ini.
c. Berdasarkan teori yang dipaparkan oleh Liu (2012:7), bahwa analisis sentimen
mempunyai tujuan untuk menganalisis, memahami, mengolah, dan mengekstrak
data tekstual yang dapat berupa opini, sentimen, evaluasi, penilaian, sikap, dan
emosi terhadap entitas seperti produk, servis, organisasi, individu, dan topik
tertentu. Pada hal ini PT. Mediawave Interactive menggunakan platform analisis
sentimen untuk menentukan opini atau pendapat positif maupun negatif dari data
yang didapatkan tentang brand yang termasuk didalam semua kategori social media
award 2018 dari semua media sosial dan web, data tersebut kemudian dianalisis
menjadi sebuah konten yang menarik yang dapat menjadi alat pertimbangan untuk
menentukan brand yang terbaik didalam semua kategori, proses analisis sentimen
dilakukan setiap hari agar semua data menjadi sesuai dengan yang dimaksudkan
oleh para pemberi opini atau pendapat di dalam semua media sosial dan web.
58
3.3 Permasalahan
Tabel 3.2
Tabel Alur Kegiatan Social Media Award 2018
Berdasarkan pada hasil kerja praktek penulis di PT. Mediawave Interactive divisi
digital producer mendapatkan tugas untuk mengambil dan monitoring data, serta
menganalisis sentimen untuk setiap data percakapan pada media sosial yang telah
didapatkan menggunakan platform pengambilan data. Penulis melakukan crawling
atau penggalian data mengenai semua brand yang masuk kedalam semua kategori pada
kegiatan sosial media award 2018. Proses crawling dilakukan dengan menggunakan
kata kunci yang sudah ditentukan sebelumnya agar hasil yang didapatkan sesuai
dengan kategori yang telah ditentukan dan mengurangi data noise atau data yang tidak
relevan dengan topik. Data yang telah berhasil diperoleh dari proses crawling akan
59
dilanjutkan untuk dianalisis menggunakan platform analisis sentimen. Dalam proses
ini, penulis menentukan sentimen positif, negatif, atau netral dari setiap postingan yang
ada di media sosial seperti Twitter, Facebook, Instagram, Youtube, Blog, News, dan
Forum.
Setelah melakukan analisis sentimen, setiap data dilihat berapa banyak jumlah
share, interaction, dan comment-nya. Proses ini dilakukan setiap hari dan dilakukan
tidak hanya pada hari dimana data diambil, namun juga dilakukan pada setiap data yang
sudah ada sebelumnya. Setelah didapat hasil dari analisis sentimen setiap brand pada
kategori yang ada, sehingga dapat ditentukan yang brand terbaik pada setiap kategori,
dilihat dari banyaknya perbincangan dari para netizen dan juga dilihat dari banyaknya
sentimen positif berdasarkan opini netizen. Penulis membuat laporan berdasarkan hasil
dari proses - proses sebelumnya. Pembuatan laporan dibuat setiap hari, dan diserahkan
kepada pembimbing lapangan penulis selama magang.
Permasalahan dari flow chart diatas menurut penulis yang pertama terdapat pada
proses crawling karena pada proses tersebut hasil data tidak seimbang diantara semua
media. Data terbanyak hanya dihasilkan oleh Twitter, sisanya hanya sedikit sehingga
menurut penulis data tersebut tidak sepenuhnya akurat karena pada saat ini media yang
terbanyak digunakan oleh netizen Indonesia adalah Facebook dan Instagram.
Permasalahan kedua dari flow chart diatas adalah PT. Mediawave Interactive masih
belum memiliki platform yang dapat memberikan hasil yang maksimal dalam menilai
sentimen untuk setiap data yang telah didapatkan, dimana hasil sentimen yang
ditentukan oleh sistem masih terbilang tidak tepat. Dikarenakan hasil sentimen dari
sistem yang tidak akurat, maka diperlukan analisis sentimen secara manual yang
mengakibatkan hasil sentimen akan sangat tergantung pada sudut pandang orang yang
mengerjakannya. Platform yang tersedia saat ini adalah berbasis web online, dimana
sangat membutuhkan koneksi internet yang baik dan stabil akan tetapi dikarenakan
koneksi yang ada belum bisa memenuhi kebutuhan tersebut sehingga sangat
menghambat penulis dalam melakukan pekerjaan.
60
BAB IV
REKOMENDASI
Rekomendasi yang dapat penulis berikan untuk PT. Mediawave Interactive adalah
sebagai berikut:
a. Menyempurnakan platform untuk hasil pengambilan data dan analisis sentimen
seperti menyeimbangkan jumlah data dari media sosial dan portal berita sehingga
mudah untuk proses untuk memberikan nilai sentimennya. Apabila jumlah data
hasil crawling sudah seimbang maka data akan lebih valid karena sumber data tidak
monoton yang disebabkan hasil pengambilan data yang didapatkan berasal dari
jumlah user yang banyak dan berbeda - beda. Selain jumlah data, nilai sentimen
yang diberikan oleh platform masih sering tidak sesuai dengan maksud dari kalimat
atau kata yang diberikan oleh para pengguna media sosial yang mengakibatkan
harus dilakukan penilaian sentimen secara manual yang dimana menurut penulis
penilaian sentimen secara manual sangat bergantung kepada sudut pandang dari
orang yang memberikan nilai sentimen tersebut.
b. Menyediakan fasilitas koneksi internet yang baik dan stabil bagi para karyawannya
dikarenakan semua platform milik PT. Mediawave Interactive berbasis web online,
oleh karena itu penulis sering kali terhambat dalam memperbaharui sentimen yang
telah di tentukan kata kuncinya sehingga penulis harus mengulang menentukan kata
kunci dari awal data hingga akhir data. Selain terhambat dalam memperbaharui
sentimen, platform crawling juga sering connection time out yang mengakitbatkan
gagal dalam pengambilan data karena hasil pengambilan data yang didapatkan oleh
platform sangat banyak jumlahnya bisa mencapai ribuan bahkan ratusan ribu dalam
sebulan oleh karena itu sangat membutuhkan koneksi internet yang baik dan stabil
untuk bisa mendapatkan data tersebut.
61
DAFTAR PUSTAKA
Agarwal, B. dan Mittal, N. (2016). Prominent Feature Extraction for Sentiment
Analysis. Switzerland: Springer International Publishing.
Asti, N. (2018). Kepala divisi Finance and Accounting. PT. Mediawave Interactive.
Bandung
Bhatia, S. K., Mishra, K. K. dan Tiwari, S. (2017). Advances in Computer and
Computational Science. Singapore: Springer Nature Ltd.
Biagioni, R. (2016). The Senticnet Sentiment Lexicon: Exploring Semantic Richness in
Multi-Word Concepts. Switzerland: Springer International Publishing.
Bibi, M. (2017). Sentiment Analysis at Document Level. Pakistan: Bahria University.
Bramer, M. (2007). Principles of Data Mining 2nd edition. London: Springer.
Cambria, E., Nugent, A. dan Kaufman, M. (2013). Big Data for Dummies. Hoboken:
John Wiley & Sons, Inc.
Danneman, N. dan Heimann, R. (2014). Social Media Mining with R. Birmingham:
Springer.
Dumbill, E. (2012). Planning for Big Data: A CIO’s Handbook to the Changing Data
Landscape. Sebastopol: O’Reilly Media Inc.
Gulaty, M. (2016). Aspect-Based Sentiment Analysis. Dublin: National College of
Ireland.
Han, J., Kamber, M. dan Pei, J. (2011). Data Mining: Concept and Techniques 3rd
edition. Waltham: Morgan Kauffman Publishers.
Hercig, T. (2015). Aspects of Sentiment Analysis. Czech Republic: University of West
Bohemia.
Hidayat, A. A. (2018). Staff divisi Digital Producer. PT. Mediawave Interactive.
Bandung
Hilty, M. L. dan Aebischer, B. (2015). ICT Innovation for Sustainability. London:
Packt Publishing Ltd.
62
Hurwitz, J., Nugent, A. dan Kaufman, M. (2013). Big Data for Dummies. Hoboken:
John Wiley & Sons, Inc.
Kagan, V., Das, D. dan Bandyopadhyay, S. (2017). A Practical Guide to Sentiment
Analysis. Switzerland: Springer International Publishing.
Kolkur, S., Dantal, G. dan Mahe, R. (2015). Study of Different Levels for Sentiment
Analysis. India: International Journal of Current Engineering and Technology.
Krista, G. (2018). Kepala divisi Strategic Communiication. PT. Mediawave
Interactive. Bandung
Liu, B. (2012). Sentiment Analysis and Opinion Mining. San Rafael: Morgan &
Claypool Publishers.
Maynard, D., Bontcheva, K. dan Augenstein, I. (2017). Natural Language Processing
for the Semantic Web. California: Morgan & Claypool Publishers.
Moens, M. F., Li, J. dan Chua T. S. (2014). Mining User Generated Content. New
York: Chapman and Hall/CRC.
Pang, B. dan Lee, L. (2008). Opinion Mining and Sentiment Analysis. Boston: Now
Publishers, Inc.
Patil, P. dan Yalagi, P. (2013). Sentiment Analysis Levels and Techniques: A Survey.
India: Walchand Institute of Technology.
Pedrycz, W. dan Chen, S. M. (2016). Sentiment Analysis and Ontology Engineering:
An Evirontment of Computational Intelligence. Switzerland: Springer International
Publishing.
Pradiptha, C. (2018). Staff divisi Human Resources Digital Affairs. PT. Mediawave
Interactive. Bandung
Provost, F. dan Fawcett, T. (2013). Data Science for Business. Sebastopol: O’Reilly
Media, Inc.
Saeed, F., Gazem, N. dan Patnaik, S. (2017). Recent Trends in Information and
Communication Technology: Proceedings of the 2nd International Conference of
63
Reliable Information and Communication Technology (IRICT 2017). Switzerland:
Springer International Publishing.
Sathi, A. (2012). Big Data Analytics: Disruptive Technologies for Changing the Game,
Boise: MC Press Online.
Silge, J. dan Robinson, D. (2017). Text Mining with R: A Tidy Approach. Sebastopol:
O’Reilly Media, Inc.
Slyke, C. V. (2008). Information Communication Technologies: Concepts,
Methodologies, Tools, and Applications. New York: Information Science
Reference.
Thellwall, M. (2017). Gender Bias in Sentiment Analysis. Wolverhampton: School of
Mathematics and Computer Science.
Zuppo, M. C. (2012). Defining ICT in A Boundaryless World: The Development of A
Working Hierarchy. Ohio: Marion Technical College.
64

Laporan Magang Di PT. Mediawave Interactive Bandung

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Laporan Magang Di PT. Mediawave Interactive Bandung

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN MAGANG

MENENTUKAN BRAND TERBAIK MENGGUNAKAN

PROGRAM STUDI S1 MANAJEMEN BISNIS

Menerangkan bahwa mahasiswa

Telah menyelesaikan magang di

Bandung, 17 Juli 2018

Acep Ahman Hidayat

Laporan magang dengan judul

Menentukan Brand Terbaik Menggunakan Analisis Sentimen Data

telah disetujui dan disahkan pada presentasi Laporan Magang

Bandung, 27 Juli 2018

Drs. Arif Partono Prasetio, M.M, CPHR

Gambar 1.1 Logo PT. Mediawave Interactive

Human Resource Finance and Head of Business

Corporate System Search Engine Social Media Creative Interaction Account

Social Media Interaction

Gambar 1.2 Struktur Organisasi Perusahaan

Gambar 1.3 Struktur Divisi Perusahaan

Gambar 1.4 Monitoring Kegiatan Sosial Media Award 2018

Jam Kerja (Normal) 08.00 s.d. 17.00

Jam Kerja (Bulan Ramadhan) 08.00 s.d. 16.00

11 06 Juni 2018 Mengunggah desain poster di Instagram dan

14 21 Juni 2018 Mengunggah dokumen event hasil kerja sama pada

15 22 Juni 2018 Mengunggah dokumen event hasil kerja sama pada

3.2 Relevansi Teori dan Praktek

Anda mungkin juga menyukai