Analisis Sentimen Penilaian Tempat Tujuan Wisata Kota Tegal Berbasis Text Mining

Oman Somantri, Dairoh Dairoh

Abstract


Mendapatkan sebuah informasi untuk meningkatkan pelayanan dan strategi dalam pengelolaan tempat kunjungan wisata masih sedikit dan sulit dikarenakan informasi yang didapatkan masih terbatas. Media sosial memiliki peranan dalam memberikan sebuah data terhadap penilaian kunjungan wisata, sama halnya dengan tempat-tempat wisata yang berada di wilayah Tegal dan sekitarnya. Pada penelitian ini model sentiment analysis diusulkan sebagai solusi untuk mengatasi permasalahan. Tujuan dari penelitian ini adalah mencari model sistem untuk memberikan sebuah informasi pendukung keputusan bagi para wisatawan dan pengelola tempat wisata untuk dijadikan sumber informasi terhadap tempat wisata yang ada. Metode penelitian yang digunakan adalah dengan melakukan eksperimen untuk mendapatkan model yang diharapkan. Pada penelitian ini metode Naïve Bayes dan Decision Tree diterapkan untuk klasifikasi teks sehingga mendapatkan model terbaik yang dihasilkan untuk diimplementasikan pada sistem sehingga model yang didapatkan dapat dijadikan sebuah sistem pendukung keputusan untuk pengembangan sistem cerdas pada pihak terkait dalam upaya peningkatan nilai jual potensi daerah khususnya bidang pariwisata. Hasil penelitian menunjukan bahwa model yang didapatkan setelah dilakukan eksperimen didapatkan tingkat akurasi naïve bayes menghasilkan 77,50% lebih baik dibandingkan dengan menggunakan Decision Tree yang menghasilkan tingkat akurasi 60,83%.


Keywords


Sentiment Analysis; Naïve Bayes; Decision Tree; Tempat Wisata

Full Text:

PDF

References


W. Fan and M. D. Gordon, “Unveiling the Power of Social Media Analytics,” Commun. ACM, vol. 12, no. JUNE 2014, pp. 1–26, 2013.

A. S. H. Basari, B. Hussin, I. G. P. Ananta, and J. Zeniarja, “Opinion mining of movie review using hybrid method of support vector machine and particle swarm optimization,” Procedia Eng., vol. 53, pp. 453–462, 2013.

B. Zeng and R. Gerritsen, “What do we know about social media in tourism? A review,” Tour. Manag. Perspect., vol. 10, pp. 27–36, Apr. 2014.

N. Boudad, R. Faizi, R. Oulad Haj Thami, and R. Chiheb, “Sentiment analysis in Arabic: A review of the literature,” Ain Shams Eng. J., 2017.

B. S. Kumar and V. Ravi, A survey of the applications of text mining in financial domain, vol. 114. Elsevier B.V., 2016.

B. Heredia, T. M. Khoshgoftaar, J. Prusa, and M. Crawford, “Cross-Domain Sentiment Analysis: An Empirical Investigation,” in 2016 IEEE 17th International Conference on Information Reuse and Integration (IRI), 2016, pp. 160–165.

O. Somantri and D. Apriliani, “Feature Weights Menggunakan Particle Swarm Optimization Untuk Sentiment Analysis Penilaian Kepuasan Pelanggan Makanan Kuliner,” in Seminar Nasional Sains & Teknologi Informasi (SENSASI), 2018, pp. 697–704.

O. Somantri and D. Apriliani, “Support Vector Machine Berbasis Feature Selection Untuk Sentiment Analysis Kepuasan Pelanggan Terhadap Pelayanan Warung dan Restoran Kuliner Kota Tegal,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, pp. 537–548, Oct. 2018.

E. Bigné, E. Oltra, and L. Andreu, “Harnessing stakeholder input on Twitter: A case study of short breaks in Spanish tourist cities,” Tour. Manag., vol. 71, no. July 2018, pp. 490–503, Apr. 2019.

S. B. Park, C. M. Ok, and B. K. Chae, “Using Twitter Data for Cruise Tourism Marketing and Research,” J. Travel Tour. Mark., vol. 33, no. 6, pp. 885–898, Jul. 2016.

S. Statiswaty, R. Rusnia, N. R.- SemanTIK, and U. 2018, “Analisis Sentimen Wisata Bahari Di Sulawesi Tenggara Memanfaatkan Media Sosial Twitter Dengan Menggunakan Metode Lexicon,” Ojs.Uho.Ac.Id, vol. 3, no. 2, pp. 161–168, 2017.

S. Fanissa, M. A. Fauzi, and S. Adinugroho, “Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive Bayes dan Seleksi Fitur Query Expansion Ranking,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 8, pp. 2766–2770, 2018.

B. Gunawan, H. S. Pratiwi, and E. E. Pratama, “Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes,” J. Edukasi dan Penelit. Inform., vol. 4, no. 2, p. 113, Dec. 2018.

Y. Ganisaputra and R. Tan, “Naïve Bayes Classifier,” pp. 173–188.

M. van der Gaag et al., “The five-factor model of the Positive and Negative Syndrome Scale II: A ten-fold cross-validation of a revised model,” Schizophr. Res., vol. 85, no. 1–3, pp. 280–287, 2006.




DOI: http://dx.doi.org/10.26418/jp.v5i2.32661

Refbacks

  • There are currently no refbacks.