Nama : Aurea Ivana Chandra
NPM : 2411080008
Tugas : Buatlah latar belakang penelitian dari judul penelitian yang telah anda rencanakan pada sesi 1.
1. 1. Analisis Sentimen Pengguna Media Sosial X terhadap Isu Bencana Alam Menggunakan Naive Bayes dan Support Vector Machine
Latar Belakang:
Perkembangan media sosial, khususnya platform X, membuat masyarakat aktif menyampaikan opini terhadap berbagai isu, termasuk bencana alam. Namun, banyaknya data teks yang tidak terstruktur menyulitkan dalam memahami sentimen masyarakat secara menyeluruh. Permasalahan ini penting karena opini publik dapat menjadi bahan evaluasi bagi pemerintah dalam pengambilan kebijakan. Penelitian sebelumnya seperti “Perbandingan Algoritma SVM dan Naïve Bayes dalam Analisis Sentimen Twitter pada Penggunaan Mobil Listrik di Indonesia” (https://journal.irpi.or.id/index.php/malcom/article/view/1253)) menunjukkan bahwa metode Naive Bayes dan SVM efektif dalam klasifikasi sentimen. Oleh karena itu, penelitian ini dilakukan untuk menganalisis sentimen masyarakat secara sistematis menggunakan metode tersebut.
2. 2. Prediksi Penjualan Produk Menggunakan Metode Time Series (ARIMA dan LSTM)
Latar Belakang:
Dalam era digital, data penjualan menjadi aset penting bagi perusahaan untuk mengambil keputusan strategis. Namun, banyak pelaku usaha masih kesulitan dalam memprediksi penjualan karena adanya fluktuasi permintaan. Permasalahan ini penting karena kesalahan prediksi dapat menyebabkan kerugian bisnis. Penelitian sebelumnya seperti ”Performance Comparison of ARIMA, LSTM, and Prophet Methods in Sales Forecasting”
( https://jurnal.polgan.ac.id/index.php/sinkron/article/view/14057 )dan “Predicting housing sales in Turkey using ARIMA, LSTM and hybrid models” ( https://www.econstor.eu/handle/10419/317359 ) menunjukkan bahwa metode peramalan (forecasting) dapat digunakan untuk menganalisis pola data penjualan. Salah satu penelitian yang membahas hal tersebut menyatakan bahwa analisis data historis mampu membantu dalam meningkatkan efektivitas pengambilan keputusan bisnis. Selain itu, penelitian lain juga menunjukkan bahwa penerapan metode prediksi berbasis machine learning dapat memberikan hasil yang cukup baik dalam mengidentifikasi pola penjualan dan menghasilkan prediksi yang lebih akurat.
3. 3. Analisis Segmentasi Pelanggan Menggunakan Metode K-Means Clustering pada Data Transaksi Penjualan
Latar Belakang:
Pemahaman terhadap karakteristik pelanggan menjadi hal penting dalam meningkatkan efektivitas strategi pemasaran. Namun, banyak data transaksi yang belum dimanfaatkan secara optimal sehingga sulit mengidentifikasi pola perilaku pelanggan. Permasalahan ini penting karena tanpa segmentasi yang jelas, strategi pemasaran menjadi kurang tepat sasaran. Penelitian sebelumnya seperti “Customer segmentation in sales transaction data using k-means clustering algorithm” ( https://www.idss.iocspublisher.org/index.php/jidss/article/view/236?utm_source=chatgpt.com ) Dataset yang digunakan dalam penelitian ini merupakan data transaksi penjualan yang berisi informasi terkait aktivitas pembelian pelanggan. Data tersebut mencakup beberapa atribut penting seperti identitas pelanggan, produk yang dibeli, jumlah pembelian, serta waktu transaksi. Dataset ini digunakan untuk menganalisis pola perilaku pelanggan dalam melakukan pembelian. Dengan memanfaatkan data tersebut, dilakukan proses pengolahan menggunakan metode K-Means Clustering untuk mengelompokkan pelanggan ke dalam beberapa segmen berdasarkan kemiripan karakteristik transaksi. Hasil dari segmentasi ini diharapkan dapat membantu dalam memahami perilaku pelanggan serta mendukung penyusunan strategi pemasaran yang lebih efektif dan tepat sasaran.
4. 4. Prediksi Tren Harga Saham Menggunakan Metode LSTM pada Data Historis Saham
Latar Belakang
Pasar saham merupakan salah satu instrumen investasi yang memiliki pergerakan harga yang fluktuatif dan sulit diprediksi. Banyak investor mengalami kesulitan dalam menentukan keputusan investasi yang tepat. Permasalahan ini penting karena kesalahan prediksi dapat menyebabkan kerugian finansial. Penelitian sebelumnya seperti “Prediksi Data Time Series Saham Bank BRI Dengan Mesin Belajar LSTM (Long ShortTerm Memory) ( https://ejurnal.ubharajaya.ac.id/index.php/jiforty/article/view/133 )menunjukkan bahwa metode time series seperti LSTM dapat digunakan untuk memprediksi tren harga saham. Oleh karena itu, penelitian ini bertujuan untuk membangun model prediksi yang dapat membantu dalam pengambilan keputusan investasi.