Analisis Trend Berita Media Online di Masa Pandemi Covid-19 dengan Metode Monte Carlo

(1)

Analisis Trend Berita Media Online di Masa Pandemi Covid-19 dengan Metode Monte Carlo

Maria Yuhilda Lima^*, Hustinawati

Program Pasca Sarjana Magister Manajemen Sistem Informasi, Universitas Gunadarma, Depok, Indonesia Email: ^1,*[email protected], ²[email protected]

Email Penulis Korespondensi: [email protected] Submitted 16-04-2023; Accepted 30-04-2023; Published 30-04-2023

Abstrak

Pemberitaan media online selalu mengikuti trend isu yang sebetulnya dapat diprediksi. Pada umumnya berita media online selain menyajikan beragam peristiwa yang terjadi, juga fokus memberitakan isu yang menjadi pusat perhatian publik. Di saat pendemi Covid- 19 hampir semua media masa termasuk media online terus menerus memberitakan berbagai berita seputar kasus Covid-19 dan dampaknya bagi masyarakat. Permasalahannya adalah bagaimana cara mencermati lebih lanjut pemberitaan yang sedang berlangsung dalam suatu kurun waktu tertentu ini untuk mengetahui trend pemberitaan Covid-19. Sebab pemberitaan ini menimbulkan akumulasi data yang sangat banyak terkait berita Covid-19 yang dapat digunakan untuk membangun suatu data mining. Tujuan penelitian ini untuk melakukan analisa terhadap pemberitaan media online di masa pandemi Covid-19 menggunakan metode Monte Carlo guna mengetahui trend pemberitaan. Prosesnya menggunakan pendekatan data mining dengan mengumpulkan data yang sangat banyak dari pemberitaan yang ada dan melakukan pengolahan data untuk menemukan informasi penting dari kumpulan data tersebut. Data yang digunakan untuk menganalisis trend pemberitaan ini diambil dari berita-berita utama pada media online suarapembaruan.com selama tujuh (7) bulan dan diproses menggunakan teknik knowledge discovery in database (KDD). Metode Monte Carlo diterapkan pada data mining untuk menghitung nilai probabilitas atau nilai kemungkinan yang akan terjadi di masa yang akan datang. Hasil penelitian ini menunjukan bahwa trend pemberitaan terkait Covid-19 di masa yang akan datang akan didominasi oleh Berita Penanganan Covid-19 dengan angka prosentase trend sebesar 23,12 persen. Sementara berita Kasus Covid-19 dan Dampak Covid-19 semakin rendah dengan angka trend 21,82 persen dan 19,22 persen. Sementara itu Berita Lain yang tidak terkait sama sekali dengan Covid-19 angka trend prosentasenya semakin tinggi sebesar 35,84 persen.

Kata Kunci: Pemberitaan Media Online; Data Mining; Covid-19; Analisis Monte Carlo; Trend Pemberitaan Abstract

The News reports for online media always follows the trending issues that are actually predictable. In general, online media news apart from presenting various events that have occurred, also focuses on reporting issues which is of concern to the public. During the Covid- 19 pandemic, almost all mass media, including online media, continued to report various news about the Covid-19 case and its impact on society. The problem is how to understand the news accumulation in a certain period of time to find out the trend in reporting on Covid-19. Because the news has resulted in a huge accumulation of data related to Covid-19 news which can be used to build data mining. The purpose of this study is to analyze online media coverage during the Covid-19 pandemic using the Monte Carlo method to find out news trends. The process uses a data mining approach by collecting a lot of data from existing reports and processing the data to find important information from the data set. The data used to analyze news trends were taken from the main news on the online media Suarapembaruan.com for seven (7) months and processed using knowledge discovery in database (KDD) techniques. The Monte Carlo method is applied to data mining to calculate probability values or possible values that will occur in the future. The results of this study indicate that the trend of news related to Covid-19 in the future will be dominated by News on the Handling of Covid-19 with a trend percentage rate of 23.12 percent. Meanwhile, the news about the Covid-19 Case and the Impact of Covid-19 was getting lower with a trend rate of 21.82 percent and 19.22 percent. Meanwhile, The Other News with related to Covid-19 has a higher trend percentage of 35.84 percent.

Keywords: Online Media Coverage; Data Mining; Covid-19; Monte Carlo Analysis; News Trends

1. PENDAHULUAN

Corona Virus atau yang lebih dikenal dengan Covid -19 merupakan jenis virus yang sangat berbahaya karena dapat mengakibatkan kematian. Berawal dari kota kecil Wuhan di China, saat ini Covid-19 sudah menyebar ke seluruh dunia termasuk Indonesia. Penyebaran Covid-19 tidak membutuhkan waktu yang lama, disebabkan oleh perpindahan manusia dari satu tempat ke tempat yang lain [1]. Ribuan bahkan jutaan orang terpapar virus ini, ada yang sembuh dan tidak sedikit yang meninggal. Data Badan Nasional Penanggulangan Bencana (BNPB) menyebutkan sebelum April 2020 jumlah pasien yang terkonfirmasi Covid-19 sudah mencapai 3.293 jiwa dengan jumlah kasus terbanyak ada di DKI Jakarta, Banten, Jawa Barat, dan Jawa Timur (https://tirto.id/update-corona-9-april-3293-positif-280-meninggal-252- sembuh-eL6Q diakses tanggal 21 November 2020) [2]. Sampai awal bulan November 2020 jumlah kasus Covid-19 sudah mencapai 444.348 kasus dengan rincian 53.846 kasus aktif (12,1%), pasien sembuh 375.741 kasus (84,6%), dan pasien meninggal sebanyak 14.761 kasus (3,3%). (https://covid19.go.id, diakses 21 November 2020) [3]

Sejak kasus pertama Covid-19 di Indonesia, semua media massa di Indonesia termasuk media online menempatkan isu ini sebagai berita utama di halaman pertama (headline) [4]. Bahkan sudah dua tahun berjalan media massa terus memberitakan beragam informasi terkait Covid-19, mulai dari informasi pertambahan kasus dan penyebaran, penanganan kasus Covid-19, hingga dampak yang ditimbulkan oleh pandemi Covid-19. Penempatan sebuah berita utama di media massa ini menunjukan berita tersebut sedang menjadi pusat perhatian pemerintah dan masyarakat luas. Jika merujuk pada standar editorial redaksi media massa, sebuah berita akan menjadi sangat bernilai tinggi apabila memenuhi nilai-nilai berita seperti magnitude (berita besar), aktualitas (masih hangat dibicarakan), signifikan (sangat penting), proksimitas

(2)

Copyright © 2023 Maria Yuhilda Lima, Page 507 (kedekatan), tokoh (nama besar), pertama kali terjadi, human interest (menyentuh kemanusiaan), unik, eksklusif, dan trend baru [5]. Dengan menempatkan kasus Covid-19 di semua berita utama media massa dalam jangka waktu yang panjang menunjukan pemberitaan tersebut bernilai tinggi. Semakin suatu kasus diberitakan terus menerus menunjukan kasus tersebut sedang menjadi perhatian penting pemerintah dan masyarakat luas. Keramaian pemberitaan tersebut kerap kali menimbulkan ketidakpastikan atas suatu keadaan ditambah lagi dengan bertebaran hoax di berbagai platform media sosial yang membuat situasi semakin pelik [6]. Padahal sebetulnya keadaan tersebut sedang bergerak ke suatu keadaan lain yang dapat diprediksi dengan melihat akumulasi data pemberitaan [7].

Untuk mengetahui kepastian dalam suatu keadaan yang tidak pasti apalagi keadaan genting akibat pandemi, akumulasi data pemberitaan dalam kurun waktu yang panjang yang dapat diolah lebih lanjut guna mendapatkan pengetahuan tentang suatu kondisi yang sedang terjadi sekarang dan di masa yang akan datang [8]. Pemberitaan yang terus menerus di media massa menyebabkan data berita tentang Covid-19 menjadi sangat banyak jumlahnya dan memenuhi hampir semua basis data redaksi media massa. Permasalahannya adalah bagaimana menggunakan data pemberitaan yang sangat banyak itu untuk mengetahui keadaan pemberitaan di masa yang akan datang? Dalam ilmu komputer dikenal data mining yang dapat digunakan sebagai suatu cara untuk mengumpulkan dan mengolah data guna mendapatkan informasi yang menarik atau pola dari sekumpulan data tersebut[9]. Dengan pendekatan data mining maka data pemberitaan Covid-19 dikumpulkan terlebih dahulu, dipilih data yang berkualitas, lalu dilakukan pengolahan data terpilih tersebut untuk mengetahui trend pemberitaan di masa yang akan datang. Dan khusus untuk menghitung trend pemberitaan media online maka penelitian ini menggunakan metode Monte Carlo. Metode ini dapat menghitung nilai probabilitas atau kemungkinan yang akan terjadi di masa yang akan datang [10]. Hasil analisisnya untuk memberikan jawaban atas atas ketidakpastian di masa yang akan datang dengan melihat trend pemberitaan Covid-19. Sekaligus memberikan gambaran sejauhmana perhatian pemerintah dan masyarakat dalam menghadapi tantangan Covid-19.

Penelitian terdahulu terkait analisi konten berita media online dilakukan oleh Scharkow dan Bachl, 2016, untuk mengetahui pengaruh media akibat kesalahan dan kekeliruan pemberitaan media massa dan pembaca dalam memilih berita [11]. Penelitian tersebut menggunakan metode Monte Carlo untuk menentukan pemberitaan yang menarik dan tepat untuk dibaca. Hasilnya menunjukan bahwa pengaruh akibat kesalahan isi berita dan kesalahan pilihan berita oleh pembaca, dampaknya sangat kecil. Justru pengaruh buruk media massa lebih disebabkan oleh karena minimnya pemberitaan yang menarik. Di penelitian tersebut belum secara jelas menghitung kemungkinan suatu berita akan seperti apa di masa yang akan datang.

Selanjutnya penelitian yang dilakukan Fong, dkk, 2020, dengan menganalisis tend penyebaran kasus Covid-19 di Wuhan, China. Para peneliti menggunakan simulasi Composite Monte Carlo (CMC) dengan menganalisis data kasus yang sedang terjadi termasuk data penyebaran kasus Covid-19 [12]. Data yang dianalisis meliputi data kepadatan penduduk, mobilitas perjalanan, ketersediaan tenaga medis, sarana rumah sakit, dan tempat karantina, serta ketepatan waktu pemeriksaan kesehatan. Hasil dari penelitian ini mampu menampilkan trend penyebaran Covid-19 di masa yang akan datang khususnya di wilayah Wuhan. Penelitiannya sudah sangat menarik dengan melihat trend penyebaran Covid- 19 namun belum menggunakan data pemberitaan untuk menganalisis trend berita terkait Covid-19.

Sementara itu, Ningtias, dkk, 2020, melakukan analisis trend topik pemberitaan pasca pemilihan presiden pada portal berita online [13]. Penelusuran data online dilakukan dengan menganalisa trend topik informasi pasca pilpres pada situs portal berita online detik.com dan tribunnews.com dengan cara mencari kata kunci pada indeks portal berita melalui penelusuran tanggal yang dituju lalu pilih sub PILPRES 2019. Data yang diambil adalah berita tanggal 17 April – 22 Mei 2019 yang dipublikasikan pada portal berita online detik.com dan tribunnews.com. Metode yang digunakan adalah metode deskriptif dengan pendekatan kuantitatif. Hasilnya menunjukan pada portal berita detik.com menampilkan berita pasangan Jokowi-Amin dengan berita positif 10,75% dan berita negatif 2,73%, serta berita netral 86,52%. Sementara itu detik.com pada pasangan Prabowo-Sandi menampilkan berita positif 10,28% berita negatif 7,21%, dan berita netral 82,52%. Sementara itu portal berita online Tribunnews.com menampilkan pasangan Jokowi-Amin dengan berita positif 10,06%, berita negatif 5,03%, dan berita netral 84,92%. Selain itu tribunnews.com juga menampilkan pasangan Prabowo- Sandi dengan berita positif 10,6%, berita negatif 8,40%. Penelitian ini secara khusus sudah mulai melakukan analisis terhadap pemberitaan dengan topik yang spesifik namun pendekatannya baru sebatas menggunakan analisis deskriptif dengan pendekatan kualitatif dan belum menganalisa trend berita tersebut dengan metode Monte Carlo.

Pada penelitian yang digagas kali ini dimulai dengan mengumpulkan data berita media online suarapembaruan.com khususnya berita-berita utama pada rentang waktu Juni 2020 hingga Desember 2020. Sebagaimana proses knowledge discovery in database (KDD) pada data mining, langkah pertama dimulai dengan mengambil data dari database pada digital library suarapembaruan.com, lalu menetapkan berita headline sebagai target data untuk diproses di awal, kemudian mengubah format data untuk memudahkan dalam pengolahan data. Peneliti membuat kategorisasi berita Covid-19 yang muncul di headline media online, menghitung pergerakan berita berdasarkan kategori kasus Covid-19, penanganan Covid-19, dampak Covid-19, dan kategori berita lain (bukan berita Covid-19). Data pergerakan berita tersebut kemudian dianalisis menggunakan metode Monte Carlo untuk menghitung nilai probabilitas pada setiap kategori. Hasil yang diharapkan dari penelitian ini adalah diketahuinya trend pergerakan berita pada setiap kategori dan juga mengetahui di masa yang akan datang pemberitaan mana yang akan mendominasi.

Dari analisis di atas maka diidentifikasi permasalahan dalam penelitian ini adalah bagaimana membangun data mining berita media online dan bagaimana penggunaan metode Monte Carlo untuk memprediksi trend berita media online di masa pandemi Covid-19? Juga bagaimana menggunakan metode Monte Carlo pada data mining untuk memprediksi pemberitaan media online tentang pandemi Covid-19 di masa yang akan datang? Sehingga penelitian ini bertujuan untuk

(3)

Copyright © 2023 Maria Yuhilda Lima, Page 508 membangun data mining berita media online, melakukan analisis berita media online tersebut, dan untuk menggunakan metode Monte Carlo dalam memprediksi trend berita media online di masa pandemi Covid-19 sekaligus memprediksi keadaan pemberitaan di masa yang akan datang.

2. METODOLOGI PENELITIAN

2.1 Tahapan Umum

Secara umum tahapan penelitian ini dimulai dari identifikasi dan perumusan masalah seputar pemberitaan Covid-19 dan lalu menetapkan tujuan penelitian. Kemudian tahap selanjutnya adalah melakukan pengumpulan data media online pada Suara Pembaruan dengan teknik Knowledge Discovery in Databases (KDD). Berikutnya, terhadap data mining yang dibangun, dilakukan analisis dengan metode Monte Carlo untuk mengetahui trend pemberitaan Covid-19 [14]. Tahapan akhir dari penelitian ini adalah penarikan kesimpulan tentang trend pemberitaan Covid-19 pada media online khususnya Suara Pembaruan.

Gambar 1. Tahapan Umum Penelitian

Gambar 1. di atas menjelaskan tahapan umum dari penelitian ini, dimana setelah identifikasi masalah dan penetapan tujuan, selanjutnya pemilihan data dengan proses KDD. Hasil data pilihan dianalisis menggunakan metode Monte Carlo guna menghasilkan trend atas data dan selanjutnya penarikan kesimpulan. Tahapan identifikasi masalah dilakukan dengan membaca berbagai literatur dan mengamati data pemberitaan media online untuk menemukan permasalahan yang tepat. Setelah menetapkan masalah dan tujuan, langkah selanjutnya adalah menetapkan tahapan penyelesaian masalah. Di sini menggunakan proses Knowledge Discovery in Databases (KDD) untuk membangun suatu data mining dengan tahapannya adalah memilih data, mengelompokan data, mengalisa data, dan paling akhir proses KDD adalah memaparkan data atau informasi dalam bentuk interpretasi [15]. Metode Monte Carlo digunakan saat tahapan analisa data pada proses KDD tersebut. Dan lalu penarikan kesimpulannya mengikuti interpretasi yang terjadi pada tahapan akhir proses KDD.

2.2 Proses Knowledge Discovery in Databases (KDD)

Proses pengumpulan data dan informasi terkait pemberitaan media massa ini menggunakan teknik Knowledge Discovery in Databases (KDD) seperti gambar di bawah ini.

Gambar 2. Tahapan Penelitian dengan KDD

Penarikan Kesimpulan Identifikasi Masalah

Proses KDD

Analisis Monte Carlo

Database Redaksi Media Online

Data Pilihan

Proses Awal Data

Mengubah Format Data

Analisa Data dengan Metode Monte Carlo

Pengetahuan Baru

Selection

(Memilih Data Berita Utama) Preprocessing (Mengelompokan Data Berita

Utama)

Transformation (Mengubah Format Data Excel)

Data Mining

(Mengalisa Data dengan Metode Monte Carlo) Interpretation

(Memaparkan Data Trend Berita Media Online)

(4)

a. Selection

Selection di sini adalah proses seleksi atau pemilihan data yang relevan dari koleksi data yang ada untuk diproses lebih lanjut. Berita media online pada Suara Pembaruan yang sudah dipublikasikan telah tersimpan dalam bentuk database redaksi pada digital library Suara Pembaruan. Setelah menarik data dari digital library peneliti menetapkan hanya memilih data untuk kurun waktu 7 bulan dimulai dari bulan Juni 2020 hingga Desember 2020. Selanjutnya peneliti juga memutuskan hanya memilih data berita utama dalam kurun waktu tersebut.

b. Preprocessing

Preprocessing di sini sebagai tahapan proses untuk menghilangkan permasalahan-permasalahan yang dapat mengganggu hasil proses data. Peneliti mengamati data secara cermat untuk menghilangkan data redundant dan melengkapi data berita utama yang kurang lengkap. Di tahapan ini juga data yang mengandung error dan tidak konsisten dibuang dari koleksi data.

c. Transformation

Pada tahapan transformation, peneliti melakukan proses mengubah format data menjadi data excel yang mudah untuk diolah lebih lanjut. Pada tahapan ini juga dilakukan pengelompokan data sesuai dengan kebutuhan penelitian. Data dari digital library masih mengikuti kategori rubrikasi berita pada umumnya seperti berita politik, hukum, ekonomi, kesehatan, olahraga, dan lainnya. Namun penelitian ini akan difokuskan pada pengamatan lebih mendalam terkait pemberitaan Covid-19 di media online, maka pengelompokan data diubah. Pengelompokan data diubah menjadi empat kategori yaitu kategori berita Kasus Covid-19, kategori berita Penanganan Covid-19, kategori berita Dampak Covid-19, dan kategori Berita Lain.

d. Data Mining

Tahapan ini menjadi proses paling penting dalam penelitian ini karena sekaligus mengaplikasikan metode analisis Monte Carlo. Sebab di tahapan ini lazimnya berbagai teknik akan diaplikasikan untuk mengekstrak pola potensial untuk mendapatkan data yang berguna.

e. Interpretation

Tahapan akhir dari KDD adalah menginterpretasikan hasil analisis data mining dimana pola-pola menarik yang sebelumnya sudah ditemukan disajikan dalam bentuk Knowledge Presentation. Hasil interpretasi ini menjadi pengetahuan baru yang dapat disajikan untuk mengungkap informasi tersebunyi dari sekumpulan data yang telah diolah. Penyajiannya menggunakan teknik visualisasi (grafik dan diagram) untuk membantu user dalam mengerti dan menginterpretasikan hasil dari penambangan data (data mining).

2.3 Metode Analisis Monte Carlo

Secara khusus metode analisis Monte Carlo digunakan untuk menganalisis trend pemberitaan media online di masa yang akan datang. Langkah-langkah analisis Monte Carlo ditampilkan pada gambar di bawah ini [17].

Gambar 3. Langkah-Langkah Analisis Monte Carlo Data Berita Covid-19 Masa Lampau

Menentukan Distribusi Probabilitas

Menentukan Distribusi Probabilitas Kumulatif

Menentukan Interval Angka Acak

Membangkitkan Angka Acak

Hasil Analisa Berita Covid-19

(5)

Copyright © 2023 Maria Yuhilda Lima, Page 510 Gambar 3 di atas menguraikan langkah-langkah analisis Monte Carlo, dari (1) data berita Covid-19 masa lampau, (2) menentukan distribusi probabilitas, (3) menentukan distribusi probabilitas kumulatif, (4) menentukan interval angka acak, (5) membangkitkan angka acak, (6) menetapkan hasil analisa berita Covid-19. Penentuan distribusi probabilitas menggunakan rumus :

𝑁𝑁𝑃 =^𝑁𝑁𝐹

𝑁𝐽𝐹 (1)

Dimana :

NNP = Nilai probabilitas NNF = Frekuensi NJF = Jumlah Frekuensi

Untuk menentukan distribusi probabilitas kumulatif dilakukan dengan cara menjumlahkan nilai distribusi probabilitas dengan jumlah nilai probabilitas sebelumnya. Lalu dilakukan penentuan interval angka acak dari nilai probabilitas kumulatif pada tahapan sebelumnya. Selanjutnya untuk membangkitkan angka acak menggunakan Mixed Congruent Method menggunakan rumus [18] :

𝑁𝑎_𝑖= (𝐾. 𝑁𝑎_𝑖−1+ 𝐾𝑝) 𝑚𝑜𝑑 𝐾𝑚 (2) Dimana:

Nai = Nilai angka acak ke-i

K = Konstansta Penggali (K< Km)

Nai-1 = Nilai angka acak sebelumnya (Untuk Na0 merupakan bilangan awal yang merupakan kunci pembangkit dan disebut juga umpan (seed), nilai Na0 merupakan bilangan bulat dengan ketentuan Na0 ≥ 0 dan Na0 < Km) Kp = Konstanta Pergeseran (Kp < Km)

Km = Konstanta Modulus (Km > 0)

Dengan membangkitkan angka acak, akan dapat diperoleh angka prediksi kemungkinan kejadian di masa yang akan datang. Dari sini akan diketahui trend pemberitaan media online di masa yang akan datang.

3. HASIL DAN PEMBAHASAN

Secara umum hasil penelitian ini mengemas alur pemberitaan media online mengikuti skema model pemberitaan yang tidak hanya disajikan kepada pembaca tetapi selanjutnya diolah untuk mengetahui trend pemberitaan media online termasuk kemungkinan berita di masa yang akan datang. Sebab akumulasi data redaksi media massa dapat digunakan untuk membuat suatu keputusan strategis [19]. Gambar di bawah ini menampilkan alur gagasan yang diselesaikan dalam penelitian ini.

Gambar 4. Alur Berita Hingga Analisis Trend Pemberitaan

Gambar 4. di atas merupakan alur pemberitaan yang digagas dalam penelitian kali ini, dimana berita diliput oleh reporter kemudian diedit oleh redaktur lalu dipublikasikan sebagai berita media online. Tidak hanya berhenti disitu, akumulasi data diproses menjadi data mining dan analisis Monte Carlo diterapkan pada data mining sehingga secara rutin dapat menampillkan trend pemberitaan media online atas sekumpulan data pemberitaan di masa lalu.

Data pada penelitian ini diperoleh dengan cara menarik database berita dari digital library Suara Pembaruan untuk kurun waktu 7 bulan dimulai dari bulan Juni 2020 hingga Desember 2020. Data awal yang ditarik dari database mencapai 4.790 data namun setelah dilakukan pemilihan tahap pertama data yang terpilih sebanyak 1.017 data. Data SQL diproses convert terlebih dahulu dan dapat diambil file dengan format Comma Separated Values (CSV) sehingga bisa dibuka dengan aplikasi Notepad, Wordpad, ataupun MS Excel [20].

Redaktur Berita Online

Reporter Data Mining

Analisis Monte Carlo Trend Berita Media Online

(6)

Gambar 5. di atas ini merupakan tampilan database pada digital library yang dapat diambil dalam bentuk file dengan format Comma Separated Values (CSV). Di sini file SQL menampilkan jumlah data keseluruhan dan tampilan data hasil convert yang masih perlu ditata dan ditransformasi terlebih dahulu agar memudahkan dalam memahami dan memudahkan dalam pengolahan lebih lanjut.

Pada tahapan transformation, pengelompokan data disesuaikan dengan kebutuhan penelitian. Data dari digital library yang masih mengikuti kategori rubrikasi berita pada umumnya seperti berita politik, hukum, ekonomi, kesehatan, olahraga, dan lainnya, diubah menjadi empat kategori berita yaitu kategori berita Kasus Covid-19, kategori berita Penanganan Covid-19, kategori berita Dampak Covid-19, dan kategori Berita Lain. Perubahan format kategori berita pada tahapan transformation dapat ditunjukan pada gambar di bawah ini.

Gambar 6. Perubahan Kategori Berita Covid-19

Gambar 6. di atas menampilkan perubahan kategori berita sesuai dengan kebutuhan penelitian. Selanjutnya sebagai tahapan awal data mining dilakukan tabulasi data dalam format data MS Excel. Dari 1.017 data berita utama, setelah dibatasi rentang waktu 7 bulan diperoleh 885 berita. Data ini dikuantifikasi berdasarkan empat kategori berita untuk jumlah berita Kasus Covid-19 selama satu minggu, berita Penanganan Covid-19 selama seminggu, berita Dampak Covid- 19 dan juga jumlah berita lain yang tidak terkait dengan Covid-19 selama satu minggu. Dengan cara ini peneliti mengetahui sebaran data pemberitaan selama 28 minggu pada rentang waktu 7 bulan seperti ditunjukan pada tabel di bawah ini.

Tabel 1. Jumlah Data Kategori Berita Utama Dalam 7 bulan

Kategori/ Periode Kasus Covid-19 Penangan Covid-19 Dampak Covid-19 Berita Lain TOTAL

Minggu-1 6 6 9 4 25

Minggu-2 8 11 6 6 31

Minggu-3 8 13 6 7 34

Minggu-4 8 12 7 7 34

Minggu-5 9 12 4 9 34

Minggu-6 12 5 7 12 36

KATEGORI BERITA Politik Ekonomi Kesehatan

Hukum Berita Daerah Manca Negara

KATEGORI BERITA Kasus Covid-19 Penanganan Covid-19

Dampak Covid-19 Berita Lain

(7)

Minggu-7 8 6 3 18 35

Minggu-8 9 6 6 14 35

Minggu-9 6 2 9 14 31

Minggu-10 6 6 9 12 33

Minggu-11 3 4 2 7 16

Minggu-12 6 8 7 12 33

Minggu-13 6 14 6 12 38

Minggu-14 7 9 7 12 35

Minggu-15 9 8 8 7 32

Minggu-16 8 6 10 7 31

Minggu-17 8 8 5 10 31

Minggu-18 8 6 3 16 33

Minggu-19 7 10 0 15 32

Minggu-20 7 6 5 16 34

Minggu-21 5 4 1 17 27

Minggu-22 6 5 1 19 31

Minggu-23 8 10 1 13 32

Minggu-24 7 12 1 12 32

Minggu-25 9 6 4 12 31

Minggu-26 9 3 5 14 31

Minggu-27 6 4 0 18 28

Minggu-28 9 2 2 17 30

TOTAL 208 204 134 339 885

Pada Tabel 1. di atas menunjukan sebaran data selama 28 minggu dimana terdapat 885 berita utama yang tersebar pada empat kategori pemberitaan. Selanjutnya untuk melakukan analisis dengan metode Monte Carlo, maka dilakukanlah penetapan variabel sebagai berikut :

A : Berita Kasus Covid-19 B : Berita Penangan Covid-19 C : Berita Dampak Covid-19 D : Berita Lain

Setelah menetapkan variabel di atas maka langkah selanjutnya adalah menetapkan distribusi probabilitas biasa diikuti dengan penetapan distribusi probabilitas kumulatif, yaitu penjumlahan dari jumlah pada kolom probabilitas yang ditambahkan pada probabilitas kumulatif sebelumnya. Hasil penetapan nilai probabilitas dan probabilitas kumulatif dapat ditunjukan pada tabel di bawah ini.

Tabel 2. Probabilitas Kejadian dan Probabilitas Kumulatif Probabilitas

Kejadian A

Probabilitas Kumulatif A

Probabilitas Kejadian B

Probabilitas Kumulatif B

Probabilitas Kejadian C

Probabilitas Kumulatif C

Probabilitas Kejadian D

Probabilitas Kumulatif D 0.02884615 0.02884615 0.02941176 0.02941176 0.067164179 0.067164179 0.01179941 0.01179941 0.03846154 0.06730769 0.05392157 0.08333333 0.044776119 0.111940299 0.017699115 0.029498525 0.03846154 0.10576923 0.06372549 0.14705882 0.044776119 0.156716418 0.020648968 0.050147493 0.03846154 0.14423077 0.05882353 0.20588235 0.052238806 0.208955224 0.020648968 0.07079646 0.04326923 0.1875 0.05882353 0.26470588 0.029850746 0.23880597 0.026548673 0.097345133 0.05769231 0.24519231 0.0245098 0.28921569 0.052238806 0.291044776 0.03539823 0.132743363 0.03846154 0.28365385 0.02941176 0.31862745 0.02238806 0.313432836 0.053097345 0.185840708 0.04326923 0.32692308 0.02941176 0.34803922 0.044776119 0.358208955 0.041297935 0.227138643 0.02884615 0.35576923 0.00980392 0.35784314 0.067164179 0.425373134 0.041297935 0.268436578 0.02884615 0.38461538 0.02941176 0.3872549 0.067164179 0.492537313 0.03539823 0.303834808 0.01442308 0.39903846 0.01960784 0.40686275 0.014925373 0.507462687 0.020648968 0.324483776 0.02884615 0.42788462 0.03921569 0.44607843 0.052238806 0.559701493 0.03539823 0.359882006 0.02884615 0.45673077 0.06862745 0.51470588 0.044776119 0.604477612 0.03539823 0.395280236 0.03365385 0.49038462 0.04411765 0.55882353 0.052238806 0.656716418 0.03539823 0.430678466 0.04326923 0.53365385 0.03921569 0.59803922 0.059701493 0.71641791 0.020648968 0.451327434 0.03846154 0.57211538 0.02941176 0.62745098 0.074626866 0.791044776 0.020648968 0.471976401 0.03846154 0.61057692 0.03921569 0.66666667 0.037313433 0.828358209 0.029498525 0.501474926 0.03846154 0.64903846 0.02941176 0.69607843 0.02238806 0.850746269 0.04719764 0.548672566 0.03365385 0.68269231 0.04901961 0.74509804 0 0.850746269 0.044247788 0.592920354 0.03365385 0.71634615 0.02941176 0.7745098 0.037313433 0.888059701 0.04719764 0.640117994 0.02403846 0.74038462 0.01960784 0.79411765 0.007462687 0.895522388 0.050147493 0.690265487 0.02884615 0.76923077 0.0245098 0.81862745 0.007462687 0.902985075 0.056047198 0.746312684 0.03846154 0.80769231 0.04901961 0.86764706 0.007462687 0.910447761 0.038348083 0.784660767

(8)

Copyright © 2023 Maria Yuhilda Lima, Page 513 Tabel 2. di atas merupakan hasil perhitungan distribusi probabilitas dan distribusi probabilitas kumulatif atas setiap variabel. Nilai probabilitas kejadian merupakan hasil bagi frekuensi dengan jumlah frekuensi setiap variabel. Sedangkan nilai probabilitas kumulatif merupakan hasil penjumlahan nilai probabilitas dengan akumulasi nilai probabilitas sebelumnya. Perolehan nilai ini dapat dipergunakan untuk menetapkan interval angka acak pada tiap variabel.

Tabel 3. Interval Angka Acak Variabel A

Pemberitaan Mingguan Probabilitas Kejadian A Probabilitas Kumulatif A Interval Angka Acak A

1 0.03 0.03 00 hingga 03

2 0.04 0.07 04 hingga 07

3 0.04 0.11 08 hingga 11

4 0.04 0.14 12 hingga 14

5 0.04 0.19 15 hingga 19

6 0.06 0.25 20 hingga 25

7 0.04 0.28 26 hingga 28

8 0.04 0.33 29 hingga 33

9 0.03 0.36 34 hingga 36

10 0.03 0.38 37 hingga 38

11 0.01 0.4 39 hingga 40

12 0.03 0.43 41 hingga 43

13 0.03 0.46 44 hingga 46

14 0.03 0.49 47 hingga 49

15 0.04 0.53 50 hingga 53

16 0.04 0.57 54 hingga 57

17 0.04 0.61 58 hingga 61

18 0.04 0.65 62 hingga 65

19 0.03 0.68 66 hingga 68

20 0.03 0.72 69 hingga 72

21 0.02 0.74 73 hingga 74

22 0.03 0.77 75 hingga 77

23 0.04 0.81 78 hingga 81

24 0.03 0.84 82 hingga 84

25 0.04 0.88 85 hingga 88

26 0.04 0.93 89 hingga 93

27 0.03 0.96 94 hingga 96

28 0.04 1 97 hingga 100

Tabel 3. di atas merupakan hasil perhitungan interval angka acak pada variabel A yaitu variabel yang menjelaskan Berita Kasus Covid-19. Dengan melihat nilai probabilitas kejadian dan probabilitas kumulatif pada varibel A maka interval angka acak pada variabel A ini dapat ditetapkan.

Tabel 4. Interval Angka Acak Variabel B

Pemberitaan Mingguan Probabilitas Kejadian B Probabilitas Kumulatif B Interval Angka Acak B

1 0.03 0.03 00 hingga 03

2 0.05 0.08 04 hingga 08

3 0.06 0.15 09 hingga 15

4 0.06 0.21 16 hingga 21

5 0.06 0.26 22 hingga 26

6 0.02 0.29 27 hingga 29

7 0.03 0.32 30 hingga 32

8 0.03 0.35 33 hingga 35

9 0.01 0.36 35 hingga 36

10 0.03 0.39 37 hingga 39

11 0.02 0.41 40 hingga 41

12 0.04 0.45 42 hingga 45

13 0.07 0.51 46 hingga 51

14 0.04 0.56 52 hingga 56

0.03365385 0.84134615 0.05882353 0.92647059 0.007462687 0.917910448 0.03539823 0.820058997 0.04326923 0.88461538 0.02941176 0.95588235 0.029850746 0.947761194 0.03539823 0.855457227 0.04326923 0.92788462 0.01470588 0.97058824 0.037313433 0.985074627 0.041297935 0.896755162 0.02884615 0.95673077 0.01960784 0.99019608 0 0.985074627 0.053097345 0.949852507

0.04326923 1 0.00980392 1 0.014925373 1 0.050147493 1

(9)

15 0.04 0.6 57 hingga 60

16 0.03 0.63 61 hingga 63

17 0.04 0.67 64 hingga 67

18 0.03 0.7 68 hingga 70

19 0.05 0.75 71 hingga 75

20 0.03 0.77 76 hingga 77

21 0.02 0.79 78 hingga 79

22 0.02 0.82 80 hingga 82

23 0.05 0.87 83 hingga 87

24 0.06 0.93 88 hingga 93

25 0.03 0.96 94 hingga 96

26 0.01 0.97 97 hingga 97

27 0.02 0.99 98 hingga 99

28 0.01 1 99 hingga 100

Tabel 4. di atas merupakan hasil perhitungan interval angka acak pada variabel B yaitu variabel yang menjelaskan Berita Penanganan Covid-19. Dengan melihat nilai probabilitas kejadian B dan probabilitas kumulatif B maka interval angka acak pada variabel B ini dapat ditetapkan.

Tabel 5. Interval Angka Acak Variabel C

Pemberitaan Mingguan Probabilitas Kejadian C Probabilitas Kumulatif C Interval Angka Acak C

1 0.07 0.07 00 hingga 07

2 0.04 0.11 08 hingga 11

3 0.04 0.16 12 hingga 16

4 0.05 0.21 17 hingga 21

5 0.03 0.24 22 hingga 24

6 0.05 0.29 25 hingga 29

7 0.02 0.31 30 hingga 31

8 0.04 0.36 32 hingga 36

9 0.07 0.43 37 hingga 43

10 0.07 0.49 44 hingga 49

11 0.01 0.51 50 hingga 51

12 0.05 0.56 52 hingga 56

13 0.04 0.6 57 hingga 60

14 0.05 0.66 61 hingga 66

15 0.06 0.72 67 hingga 72

16 0.07 0.79 73 hingga 79

17 0.04 0.83 80 hingga 83

18 0.02 0.85 84 hingga 85

19 0 0.85 85 hingga 85

20 0.04 0.89 86 hingga 89

21 0.01 0.9 90 hingga 90

22 0.01 0.9 90 hingga 90

23 0.01 0.91 91 hingga 91

24 0.01 0.92 92 hingga 92

25 0.03 0.95 93 hingga 95

26 0.04 0.99 96 hingga 99

27 0 0.99 99 hingga 99

28 0.01 1 99 hingga 100

Tabel 5. di atas merupakan hasil perhitungan interval angka acak pada variabel C yaitu variabel yang menjelaskan Berita Dampak Covid-19. Dengan melihat nilai probabilitas kejadian C dan probabilitas kumulatif C maka interval angka acak pada variabel C ini dapat ditetapkan.

Tabel 6. Interval Angka Acak Variabel D

Pemberitaan Mingguan Probabilitas Kejadian D Probabilitas Kumulatif D Interval Angka Acak D

1 0.01 0.01 00 hingga 01

2 0.02 0.03 02 hingga 03

3 0.02 0.05 04 hingga 05

4 0.02 0.07 06 hingga 07

5 0.03 0.1 08 hingga 10

6 0.04 0.13 11 hingga 13

(10)

7 0.05 0.19 14 hingga 19

8 0.04 0.23 20 hingga 23

9 0.04 0.27 24 hingga 27

10 0.04 0.3 28 hingga 30

11 0.02 0.32 31 hingga 32

12 0.04 0.36 33 hingga 36

13 0.04 0.4 37 hingga 40

14 0.04 0.43 41 hingga 43

15 0.02 0.45 44 hingga 45

16 0.02 0.47 46 hingga 47

17 0.03 0.5 48 hingga 50

18 0.05 0.55 51 hingga 55

19 0.04 0.59 56 hingga 59

20 0.05 0.64 60 hingga 64

21 0.05 0.69 65 hingga 69

22 0.06 0.75 70 hingga 75

23 0.04 0.78 76 hingga 78

24 0.04 0.82 79 hingga 82

25 0.04 0.86 83 hingga 86

26 0.04 0.9 87 hingga 90

27 0.05 0.95 91 hingga 95

28 0.05 1 96 hingga 100

Tabel 6. di atas merupakan hasil perhitungan interval angka acak pada variabel D yaitu variabel yang menjelaskan Berita Lain. Dengan melihat nilai probabilitas kejadian D dan probabilitas kumulatif D maka interval angka acak pada variabel D ini dapat ditetapkan. Data nilai probabilitas ini dapat dilanjutkan dengan perhitungan yang dimulai dengan membangkitkan terlebih dahulu angka acak.

Selanjutnya membangkitkan angka acak untuk 28 kejadian di masa yang akan datang. Dengan angka acak ini, nilai trend setiap variabel ditetapkan dari interval angka acak setiap variabel. Sehingga hasil simulasi sebagai prediksi kejadian di masa depan khususnya trend pemberitaan Covid-19 pada media online Suara Pembaruan dapat ditunjukan pada Tabel 7 di bawah ini.

Tabel 7. Trend Pemberitaan Media Online

Minggu ke Depan Angka Acak Trend A Trend B Trend C Trend D

1 27 8 5 7 14

2 98 9 4 4 17

3 82 7 5 5 12

4 53 9 9 7 16

5 58 8 8 6 15

6 88 9 12 5 14

7 38 6 6 9 12

8 29 9 5 7 12

9 40 3 4 9 12

10 48 7 14 9 10

11 37 6 6 9 12

12 88 9 12 5 18

13 87 9 10 5 14

14 7 8 11 9 7

15 93 9 12 4 18

16 18 9 12 7 18

17 58 8 8 6 15

18 31 9 6 3 7

19 60 8 8 6 16

20 32 9 6 6 7

21 7 8 11 9 7

22 4 8 4 9 7

23 89 9 12 5 14

24 6 8 11 9 7

25 73 5 10 10 19

26 25 12 12 7 14

27 35 6 2 6 12

28 39 3 6 9 12

(11)

Copyright © 2023 Maria Yuhilda Lima, Page 516 Tabel 7. di atas menunjukan berita lain pada trend D akan semakin tinggi disusul berita penanganan Covid-19 pada trend B. Sementara data prediksi menunjukan pada trend A dan trend C yaitu berita kasus Covid-19 dan berita dampak Covid-19 relatif makin kecil di waktu yang akan datang. Nilai prediksi atas setiap variabel sebagaimana ditunjukan pada Tabel 7. di atas merupakan hasil analisis Monte Carlo pada penelitian ini. Data trend di atas jika dibuat dalam bentuk tabulasi prosentase maka dapat ditunjukan pada gambar diagram di bawah ini.

Gambar 7. Grafik Prosentase Trend Pemberiaan

Gambar 7 di atas menunjukan bahwa trend pemberitaan terkait Covid-19 di masa yang akan datang didominasi oleh Berita Penanganan Covid-19 dengan angka prosentase trend sebesar 23,12 persen. Sementara berita Kasus Covid- 19 angka trend 21,82 persen dan Dampak Covid-19 semakin rendah dengan angka trend 19,22 persen. Sementara itu Berita Lain yang tidak terkait sama sekali dengan Covid-19 angka trend prosentasenya semakin tinggi sebesar 35,84 persen. Artinya semakin hari perhatian media massa akan lebih fokus ke berita lain yang menunjukan bahwa sebetulnya issue seputar Covid-19 akan semakin ditinggalkan. Data trend ini dapat pula disajikan dalam bentuk grafik pergerakan berita di masa yang akan datang seperti Gambar 8. di bawah ini.

Gambar 8. Grafik Pergerakan Berita di Masa Depan

Gambar 8. di atas menunjukan secara grafik trend Berita Lain di media online suara pembaruan kian tinggi seiring penanganan Covid-19 yang terus dilakukan pemerintah. Perhatian pemerintah dan masyarakat yang ditunjukan oleh perhatian media masa terhadap sektor lain semakin tumbuh. Sementara sering semakin banyak upaya penanganan covid- 19 berita tentang Penanganan Covid-19 di masa yang akan datang kian mendominasi pergerakan pemberitaan. Ke depan justru berita Kasus Covid-19 dan berita Dampak Covid-19 akan secara perlahan menghilang dari perhatian media masa.

Jika dilihat secara terpisah di waktu yang akan datang berita terkait Covid-19 masih akan tinggi dan mendominasi berita utama media online. Meski demikian berita lain juga tidak akan ketinggalan dan trend-nya naik.

Gambar 9. Grafik Perbandingan Trend Berita Lain dan Berita Covid-19

(12)

Hasilnya menunjukan bahwa di masa yang akan datang berita terkait Covid-19 masih akan terus mendominasi pemberitaan meskipun trendnya menurun. Sementara Berita Lain di masa yang akan datang akan semakin ramai di headline media massa.

Gambar 10. Grafik Berita tentang Covid-19 di Masa Depan

Gambar 10. di atas terkait grafik berita seputar Covid-19 di masa yang akan datang. Sesuai prediksi di masa yang akan datang, jika dilihat secara khusus hanya pada berita tentang Covid-19, trend berita Penanganan Covid-19 akan mendominasi pemberitaan seiring upaya penangan Covid-19 oleh pemerintah seperti kegiatan vaksin Covid-19 dan penerapan protokol kesehatan di berbagai bidang kehidupan. Ke depan perhatian media masa seputar pertambahan kasus Covid-19 dan dampak Covid-19 akan semakin rendah dan cenderung menghilang dari sajian berita utama.\

4. KESIMPULAN

Analisis trend pemberitaan media online pada Suara Pembaruan berhasil dilakukan dengan mengamati data-data masa lalu berita media online selama rentang waktu 7 bulan dimulai dari Juni 2020 hingga Desember 2020. Dalam penerapan data mining, proses pemilihan data (selection) dan perubahan format (transformation) kategori berita media online berhasil mengumpulkan data berita utama media online pada empat kategori yaitu kategori berita Kasus Covid-19, kategori berita Penanganan Covid-19, kategori berita Dampak Covid-19, dan kategori Berita Lain. Analisis Monte Carlo pada saat menghitung trend Berita terkait Covid-19 dimana hasilnya menunjukan bawah di masa yang akan datang berita Covid-19 masih akan akan mewarnai pemberitaan namun Berita Lain akan semakin mendominasi sering peningkan berita Penanganan Covid-19. Prosentase trend Berita Penanganan Covid-19 sebesar 23,12 persen, berita Kasus Covid-19 trend- nya 21,82 persen dan berita Dampak Covid-19 semakin rendah dengan angka trend 19,22 persen. Sementara Berita Lain yang tidak terkait sama sekali dengan Covid-19 angka trend prosentasenya semakin tinggi sebesar 35,84 persen. Ini sejalan dengan upaya pemerintah menangani Covid-19 dan masyarakat semakin mampu menerapkan protokol kesehatan pada semua sektor kehidupan. Penelitian ini dapat dilanjutkan dengan membuat aplikasi untuk memprediksi trend pemberitaan media massa agar setiap issue atau suatu keadaan di tengah masyarakat yang sedang ramai perbincangan dapat dianalisis trend perkembangannya secara lebih mudah dan praktis.

REFERENCES

[1] N. Mona, “Untuk Meminimalisasi Efek Contagious ( Kasus Penyebaran Virus Corona Di Indonesia),” J. Sos. Hum. Terap., 2020.

[2] A. Aziz, “Update Corona 9 April: 3.293 Positif, 280 Meninggal & 252 Sembuh,” 2020. https://tirto.id/update-corona-9-april- 3293-positif-280-meninggal-252-sembuh-eL6Q (accessed Nov. 21, 2020).

[3] “Situasi Covid-19 di Indonesia,” 2020. https://covid19.go.id (accessed Nov. 21, 2020).

[4] H. Tryaningsih, “EFEK PEMBERITAAN MEDIA MASSA TERHADAP PERSEPSI MASYARAKAT PAMEKASAN TENTANG VIRUS CORONA,” Orphanet J. Rare Dis., 2020.

[5] R. D. Lestari, “QUALITY NEWS DAN POPULAR NEWS SEBAGAI TREND PEMBERITAAN MEDIA ONLINE (Studi Deskriptif Kualitatif Trend Pemberitaan Quality News dan Popular News pada Media Online Nasional di Indonesia Periode 2016),” CHANNEL J. Komun., 2017, doi: 10.12928/channel.v5i1.6355.

[6] V. Juliswara and F. Muryanto, “Model Penanggulangan Hoax Mengenai Berita Covid 19 untuk Pengembangan Literasi Digital Masyarakat di Indonesia,” J. Ilm. Ilmu Pendidik., vol. 5, no. 7, pp. 2587–2596, 2022, doi: https://doi.org/10.54371/jiip.v5i7.725.

[7] Agus Budi Raharjo, Z. Z. Dinanto, D. Sunaryono, and D. Purwitasari, “Prediksi Akumulasi Kasus Terkonfirmasi Covid-19 Di Indonesia Menggunakan Support Vector Regression,” J. Techno.Com, vol. 20, no. 3, pp. 372–381, 2021, doi:

https://doi.org/10.33633/tc.v20i3.5062.

[8] A. D. W. M. Sidik, I. H. Kusumah, A. Suryana, Edwinanto, M. Artiyasa, and A. P. Junfithrana, “Gambaran Umum Metode Klasifikasi Data Mining,” Fidel. J. Tek. Elektro, vol. 2, no. 2, pp. 34–38, 202AD, doi: https://doi.org/10.52005/fidelity.v2i2.111.

[9] A. E. Wicaksono, “Implementasi Data Mining Dalam Pengelompokan Peserta Didik di Sekolah untuk Memprediksi Calon Penerima Beasiswa Dengan Menggunakan Algoritma K-Means (Studi Kasus SMA N 6 Bekasi),” Jur. Tek. Inform. Univ.

Gunadarma, 2016.

(13)

Inform. Pelita Nusant., 2018.

[11] M. Scharkow and M. Bachl, “How Measurement Error in Content Analysis and Self-Reported Media Use Leads to Minimal Media Effect Findings in Linkage Analyses: A Simulation Study,” Polit. Commun., 2017, doi: 10.1080/10584609.2016.1235640.

[12] S. J. Fong, G. Li, N. Dey, R. G. Crespo, and E. Herrera-Viedma, “Composite Monte Carlo decision making under high uncertainty of novel coronavirus epidemic using hybridized deep learning and fuzzy rule induction,” Appl. Soft Comput. J., 2020, doi:

10.1016/j.asoc.2020.106282.

[13] P. Ningtias, N. Sudiar, and H. Latiar, “Tren Topik Pemberitaan PASCA Pemilihan Presiden pada Portal Berita Online,” Info Bibl. J. Perpust. dan Ilmu Inf., 2020, doi: 10.24036/ib.v1i2.74.

[14] B. Y. Geni, J. Santony, and Sumijan, “Prediksi Pendapatan Terbesar pada Penjualan Produk Cat dengan Menggunakan Metode Monte Carlo,” J. Inform. Ekon. Bisnis, 2019, doi: 10.37034/infeb.v1i4.5.

[15] I. A. Nikmatun and I. Waspada, “IMPLEMENTASI DATA MINING UNTUK KLASIFIKASI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 10, no.

2, pp. 421–432, 2019, doi: https://doi.org/10.24176/simet.v10i2.2882.

[16] J. Tamaela, E. Sediyono, and A. Setiawan, “Implementasi Metode Association Rule untuk Menganalisis Data Twitter tentang Badan Penyelenggara Jaminan Sosial dengan Algoritma Frequent Pattern-Growth,” J. Sist. Inf. BISNIS, 2018, doi:

10.21456/vol8iss1pp25-33.

[17] Z. Yani and S. Sumijan, “Simulasi Algoritma Monte Carlo dalam Memprediksi Pendapatan Penjualan Produk Kalsium Tiens Syariah,” J. Inform. Ekon. Bisnis, 2020, doi: 10.37034/infeb.v3i1.58.

[18] M. Ihksan, S. Defit, and Y. Yunus, “Monte Carlo Simulation in Predicting the Level of Culinary Sales Revenue (Case Study at Radja Minas Padang),” J. Inform. Ekon. Bisnis, 2021, doi: 10.37034/infeb.v3i1.63.

[19] E. K. Suni, “ANALISIS DAN PERANCANGAN DATA WAREHOUSE UNTUK MENDUKUNG KEPUTUSAN REDAKSI TELEVISI MENGGUNAKAN METODE NINE-STEP KIMBALL,” J. Tek. Inform., 2018, doi: 10.15408/jti.v11i2.8560.

[20] M. Akbar, C. Patmala, and D. Nurmalasari, “Ekstraksi Data pada Tabel dari Halaman Web Menggunakan Pohon Document Object Model,” J. Nas. Tek. Elektro dan Teknol. Inf., 2016, doi: 10.22146/jnteti.v5i4.273.