Sentiment Analysis Objek Wisata Kalimantan Barat Pada Google Maps Menggunakan Metode Naive Bayes

Ahmad Rifa'i, Herry Sujaini, Dian Prawira

Abstract


Kalimantan Barat merupakan salah satu provinsi di Indonesia yang pariwisatanya berpotensi untuk dikembangkan. Oleh karena itu, feedback dari wisatawan  dibutuhkan untuk mengambil tindakan terkait pengembangan kualitas objek wisata Kalimantan Barat agar lebih optimal. Penelitian ini bertujuan untuk membangun sistem yang dapat melakukan sentiment analysis terhadap objek wisata di Kalimantan Barat berdasarkan data ulasan yang ada di Google Maps. Metodologi yang digunakan dalam penelitian ini adalah kerangka kerja IS Research Alan Hevner. Dalam melakukan riset sentiment analysis objek wisata Kalimantan Barat, metode yang digunakan untuk klasifikasi adalah Naïve Bayes. Sebelum melakukan klasifikasi, dilakukan tahap pre-processing yang terdiri dari casefolding, tokenizing, filtering, stemming, dan tahap pembobotan kata menggunakan TF-IDF. Berdasarkan penelitian yang  dilakukan, disimpulkan bahwa sistem dapat mengklasifikasikan kelas sentimen ulasan objek wisata yang terdapat pada Google Maps menggunakan metode Naive Bayes dengan nilai akurasi yang bervariasi dari setiap tempat wisata. Nilai akurasi tertinggi adalah 0,76 sedangkan terendah adalah 0,38. Hasil sentimen analisis yang dilakukan pada objek wisata Kalimantan Barat masuk dalam kategori yang positif. Hal ini berdasarkan performa metode Naive Bayes yang menunjukan bahwa nilai rata-rata f1-score kelas positif adalah 0,73 lebih tinggi dibanding kelas netral 0,53 dan negatif 0.14


Keywords


Sentiment Analysis; Naive Bayes; Pre-Processing; TF-IDF

Full Text:

PDF

References


Wilianto, L., Pudjiantoro, T. H., & Umbara, F. R. 2017. Analisis Sentimen Terhadap Tempat Wisata Dari Komentar Pengunjung Dengan Menggunakan Metode Naive Bayes Classifier Studi Kasus Jawa Barat. Jurnal Prosiding Snatif Vol. 4.

Liu, B. 2012. Sentiment analysis and opinion mining. Synthesis lectures on human language technologies. California: Morgan & Claypool Publishers.

Kim, S. B., Han, K. S., Rim, H. C., & Myaeng, S. H. 2006. “Some effective techniques for naive bayes text classification.” IEEE transactions on knowledge and data engineering, 18(11), 1457-1466.

Gumelar. 2016. Implementasi Metode Naive Bayes Classifier Untuk Klasifikasi dan Analisis Sentimen pada Sistem Pengaduan RSUD Majalengka. Bandung: Universitas Komputer.

Wardani, F., K. 2019. Analisis Sentimen untuk Pemeringkatan Popularitas Situs Belanja Online di Indonesia Menggunakan Metode Naive Bayes (Studi Kasus Data Sekunder). Surabaya: Institut Bisnis dan Informatika STIKOM.

Harijiatno, S., D. (2019). Analisis Sentimen pada Twitter Menggunakan Multinominal Naive. Bayes. Yogyakarta: Universitas Sanata Dharma.

Gunawan, B., Pratiwi, H. S., & Pratama, E. E. 2018. Sistem Analisis Sentimen pada Ulasan Produk Menggunakan Metode Naive Bayes. Jurnal Edukasi & Penelitian Informatika Vol. 4 No.2

Somantri, O & Dairoh, D. 2019. Analisis Sentimen Penilaian Tempat Tujuan Wisata Kota Tegal Berbasis Text Mining. Jurnal Edukasi & Penelitian Informatika Vol 5 No 2.

Siswanto. 2012. Sistem Informasi Geografis Objek Wisata Menggunakan Google MAPS API Studi Kasus Kabupaten Mojokerto. Surabaya: Institut Teknologi Sepuluh Nopember.

Feldman, R., & Sanger, J. 2007. Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. New York: Cambridge University Press.

Stehman, S., V. (1997). Selecting and interpreting measures of thematic classification accuracy. Remote Sensing of Environment 62(1):77-89

Powers, D. M. W. (2007). Evalution: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation. Journal Of Machine Learning Technologies 2(1): 37-63

Kamal, A. F., & Widjajanto, B. 2017. Text Mining Untuk Analisa Sentiment Ekspedisi Jasa Pengiriman Barang Menggunakan Metode Naive Bayes Pada Aplikasi J&T Express. Semarang: Universitas Dian Nuswantoro

Samuel, A. L. (1959). Some Studies in Machine Learning Using the Game of Checkers. IBM Journal 3(3): 535-554

Hendini, A. 2016. Pemodelan UML Sistem Informasi Monitoring Penjualan dan Stok Barang Studi Kasus: Distro Zhezha Pontianak. Jurnal Khatulistiwa Informatika Vol. IV No. 2

Fridayanthie, E. W. & Mahdiati, T. 2016. Rancang Bangun Sistem Informasi permintaan ATK Berbasis Intranet (Studi Kasus: Kejaksaan Negeri Bangkasbitung). Jurnal Khatulistiwa Informatika, Vol. IV, No. 2.




DOI: http://dx.doi.org/10.26418/jp.v7i3.48132

Refbacks

  • There are currently no refbacks.