SASONGKO, Cornelius Damar and Isnanto, R. Rizal and Widodo, Aris Puji (2026) ANALISIS SENTIMEN KONSUMEN DI DALAM PEMASARAN PRODUK ANAK PERUSAHAAN BUMN BIDANG ENERGI DI MEDIA SOSIAL MENGGUNAKAN ANALISIS VADER, INDOBERT, DAN Bi-LSTM. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text cover aja.pdf Download (149kB)
	Text COVER LENGKAP.pdf Restricted to Repository staff only Download (687kB)
	Text NEW-20260303 BAB 1.pdf Download (262kB)
	Text NEW-20260303 BAB 2.pdf Download (1MB)
	Text NEW-20260303 BAB 3.pdf Restricted to Repository staff only Download (594kB)
	Text NEW-20260303 BAB 4.pdf Restricted to Repository staff only Download (1MB)
	Text NEW-20260303 BAB 5.pdf Restricted to Repository staff only Download (183kB)
	Text Daftar Pustaka.pdf Download (213kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (4MB)

Abstract

Pesatnya berbagai informasi di Media sosial menjadi tren baru di masyarakat dalam kehidupan sehari hari. Situs blog seperti Instagram dan twitter menjadi platform yang banyak diakses oleh masyarakat saat mereka membutuhkan dalam pembelian kebutuhan barang-barang yang mereka perlukan . Pada penelitian ini dikembangkan kerangka kerja otomatis untuk mendapatkan sentiment positif, negatif dan netral dari komentar calon pembeli dari Instagram dan mengklasifikasikan komentar tersebut lebih lanjut lewat pembelajaran mesin. Penelitian ini bertujuan untuk menganalisis sentimen konsumen terhadap produk anak perusahaan BUMN bidang Energi di media sosial..
Penelitian ini menggunakan pendekatan kuantitatif dengan menggabungkan analisis VADER untuk klasifikasi sentimen berbasis leksikon dan INDOBERT , Bi-LSTM untuk pemodelan prediktif berbasis deep learning. Data diperoleh dari media sosial seperti Twitter, yang mencakup komentar, ulasan, dan postingan terkait produk anak perusahaan BUMN bidang energi. Bahasa yang digunakan dalam analisis adalah Bahasa Indonesia, dengan prapengolahan data meliputi tokenisasi, penghapusan stopwords, dan stemming. Tahapan penelitian meliputi pengumpulan data, prapengolahan data, analisis sentiment menggunakan VADER, pelatihan model INDOBERT dan Bi-LSTM, evaluasi performa model, dan interpretasi hasil. Tools yang digunakan meliputi Python, library NLTK, TensorFlow, dan Keras.
Hasil penelitian menunjukkan bahwa analisis sentimen menggunakan VADER, INDOBERT dan Bi-LSTM mampu mengidentifikasi pola sentimen konsumen dengan akurasi mencapai 97%. Sentimen positif dominan terhadap produk anak perusahaan BUMN bidang energi, terutama terkait inovasi dan layanan pelanggan. Namun, terdapat beberapa sentimen negatif yang berkaitan dengan masalah teknis dan responsivitas layanan. Model INDOBERT dan Bi-LSTM menunjukkan performa yang lebih baik dalam menangkap konteks dan nuansa bahasa dibandingkan LSTM. Berdasarkan temuan ini, penelitian merekomendasikan peningkatan kualitas layanan, optimalisasi strategi komunikasi di media sosial, serta pemanfaatan analisis sentimen secara berkala untuk memantau kepuasan konsumen. Dengan demikian, penelitian ini memberikan kontribusi strategis dalam pengambilan keputusan pemasaran dan peningkatan kualitas produk.
Kata-kunci: Twitter, Analisis Sentimen, Analisis VADER,INDOBERT

The proliferation of information on social media has become a new trend in society in daily life. Blogging sites such as Instagram and Twitter have become platforms that are widely accessed by people when they need to purchase goods that they need. We developed an automated framework to obtain positive, negative and neutral sentiments from the comments of potential buyers from Instagram and further classify the comments through machine learning. This study aims to analyze consumer sentiment towards the products of state-owned energy subsidiaries on social media.
This research uses a quantitative approach by combining VADER analysis for lexiconbased sentiment classification and INDOBERT, Bi-LSTM for deep learning-based predictive modeling. Data is obtained from social media such as Twitter, which includes comments, reviews, and posts related to the products of SOE subsidiaries in the energy sector. The language used in the analysis is Indonesian, with data preprocessing including tokenization, stopwords removal, and stemming. The research stages include data collection, data preprocessing, sentiment analysis using VADER, INDOBERT, Bi-LSTM model training, model performance evaluation, and result interpretation. The tools used include Python, NLTK library, TensorFlow, and Keras.
The results show that sentiment analysis using VADER, INDOBERT, Bi-LSTM is able to identify consumer sentiment patterns with an accuracy of 97%. Positive sentiments are dominant towards the products of SOE subsidiaries in the energy sector, especially related to innovation and customer service. However, there are some negative sentiments related to technical issues and service responsiveness. The INDOBERT, Bi-LSTM model performed better in capturing language context and nuance than LSTM. Based on these findings, the study recommends improving service quality, optimizing communication strategies on social media, and utilizing sentiment analysis regularly to monitor customer satisfaction. Thus, this research makes a strategic contribution to marketing decisionmaking and product quality improvement.
Keywords: Twitter, Sentiment Analysis, VADER Analysis, INDOBERT, Bi-LSTM

Actions (login required)

View Item