Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Bogor memiliki destinasi ekowisata unggulan di Indonesia yang menawarkan keasrian alam dan kemudahan akses dari Jakarta. Namun, peningkatan jumlah wisatawan menimbulkan hambatan terhadap pengelolaan lingkungan, seperti pengelolaan sampah dan tekanan terhadap sumber daya alam. Media sosial, khususnya Google Maps, berperan penting dalam promosi dan memahami perilaku wisatawan melalui fitur ulasan. Studi ini bertujuan melakukan analisis sentimen mengenai ulasan ekowisata di Bogor yang diambil dari Google Maps, menggunakan metode Deep Learning berbasis neural network, yaitu Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), dan Long Short-Term Memory (LSTM), dan membandingkan performa ketiga model tersebut untuk menentukan metode terbaik dalam mengklasifikasikan sentimen pengunjung. Hasil studi ini menunjukkan, model CNN memiliki akurasi tertinggi yaitu sebesar 72 persen dan lebih unggul dibanding model RNN dan LSTM. Model CNN dapat digunakan sebagai acuan utama dalam menerapkan analisis sentimen pada topik yang sejenis.

Conclusion

Berdasarkan hasil pengujian yang dilakukan pada 2121 ulasan warganet di beberapa ekowisata yang diambil dari Google Maps menggunakan scraping, ditemukan bahwa terdapat 1724 ulasan yang layak diuji.Ulasan tersebut divisualisasikan secara deskriptif dalam bentuk wordcloud.Berdasarkan temuan analisis wordcloud tersebut, dapat disimpulkan bahwa ulasan wisatawan pada ekowisata di Bogor pada sentimen positif didominasi oleh aspek keindahan alam dan kenyamanan suasana, sentimen negatif dipicu oleh masalah harga, aksesibilitas, dan kebersihan fasilitas, sedangkan sentimen netral umumnya berisi informasi faktual dengan minim muatan emosional.Hal ini menegaskan bahwa kualitas pengalaman visual, kenyamanan lingkungan, serta perbaikan fasilitas dasar menjadi faktor kunci dalam membentuk persepsi dan kepuasan wisatawan.Selanjutnya, berdasarkan hasil perbandingan model klasifikasi menunjukkan bahwa pemodelan dengan model CNN memiliki akurasi tertinggi yaitu sebesar 72%.Adapun pada model tersebut juga menunjukkan hasil pengukuran evaluasi yang paling unggul dibandingkan model RNN dan LSTM.Dengan demikian, model CNN dapat dijadikan sebagai acuan dalam menerapkan analisis sentimen pada topik serupa.

Future Research

Penelitian lanjutan dapat mengembangkan penggunaan model berbasis BERT untuk meningkatkan akurasi analisis sentimen. Selain itu, penelitian dapat mengeksplorasi pengaruh tuning parameter pada performa model Deep Learning. Terakhir, studi dapat meneliti penggunaan data media sosial secara real-time untuk memantau perubahan sentimen wisatawan secara dinamis.

Metadata

File size	515.31 KB
Pages	10
DMCA	Report