Publisher

BUMIGORABUMIGORA

Journal MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa KomputerMATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer Abstract

Pemerintah dan pelaku industri pariwisata mengalami permasalahan dalam menentukan prioritas pengembangan suatu destinasi wisata. Karena itu, diperlukan identifikasi objek wisata yang diminati namun banyak mendapat ulasan buruk melalui ulasan dari masyarakat yang tersebar di internet. Penelitian ini bertujuan melakukan analisis sentimen terhadap ulasan objek wisata di Pulau Bali menggunakan Bi-LSTM dan Word2Vec, sehingga diperoleh model terbaik yang dapat digunakan untuk mengidentifikasi objek wisata potensial namun mendapat ulasan buruk. Bi-LSTM merupakan deep learning yang menawarkan akurasi yang lebih baik daripada LSTM biasa. Sedangkan Word2Vec merupakan pretraining yang dipilih karena dapat menangkap makna semantik teks. Penelitian ini menggunakan data ulasan objek wisata di Pulau Bali yang berasal dari situs tripadvisor.com. Penelitian dimulai dari pengumpulan data, perancangan alur program, preprocessing, pretraining Word2Vec, pembagian data uji dan data latih, pelatihan dan pengujian, serta evaluasi penentuan model terbaik. Akurasi terbaik dihasilkan oleh kombinasi Word2Vec terdiri dari CBOW, Hierarchical Softmax, dimensi 200, Bi-LSTM dengan dropout sebesar 0,5 dan learning rate sebesar 0,0001. Kombinasi tersebut menghasilkan akurasi tertinggi dari keseluruhan 108 kombinasi yaitu sebesar 96,86%, precision sebesar 96,53%, Recall sebesar 96,31%, F1 Measure sebesar 96,41%. Akurasi yang baik tersebut membuktikan bahwa kombinasi parameter Bi-LSTM dan Word2Vec cocok digunakan untuk analisis sentimen ulasan objek wisata di Pulau Bali.

Conclusion

Kesimpulan dari hasil penelitian yang dilakukan mengenai analisis sentimen menggunakan model Bi-LSTM dan Word2Vec terhadap ulasan objek wisata Pulau Bali di tripadvisor.com berbahasa Indonesia adalah memperoleh model terbaik dari metode Bi-LSTM dan Word2Vec dengan akurasi sebesar 96,86%, precision sebesar 96,53%, Recall sebesar 96,31%, F1 Measure sebesar 96,41%.Adapun parameter Word2Vec dalam kontribusi yang menghasilkan model terbaik yaitu, arsitektur CBOW, metode evaluasi hierarchical softmax, dan dimensi 200.Sedangkan parameter Bi-LSTM yang berkontribusi menghasilkan model terbaik yaitu dropout 0,5 dan learning rate 0,0001.

Future Research

Penelitian selanjutnya dapat mengeksplorasi apakah penggunaan model pre‑training lain seperti BERT‑Indo atau RoBERTa‑Indo dapat meningkatkan akurasi analisis sentimen ulasan wisata dibandingkan kombinasi Bi‑LSTM‑Word2Vec yang telah diuji. Selanjutnya, dapat diteliti bagaimana penerapan transfer learning model terbaik ini pada domain ulasan lain, misalnya ulasan hotel, restoran, atau destinasi wisata di pulau lain, serta bagaimana penyesuaian parameter mempengaruhi performa pada dataset yang memiliki karakteristik bahasa berbeda. Selain itu, penelitian dapat menginvestigasi pendekatan analisis sentimen berbasis aspek (aspect‑based sentiment analysis) untuk mengidentifikasi faktor‑faktor spesifik seperti kebersihan, pelayanan, atau harga yang memengaruhi persepsi wisatawan, sehingga menghasilkan rekomendasi yang lebih terperinci bagi pengelola destinasi. Dengan menggabungkan ketiga arah studi tersebut, diharapkan dapat memperkaya pemahaman tentang dinamika opini wisatawan serta menyediakan alat keputusan yang lebih robust bagi pemerintah dan industri pariwisata.

Metadata

File size	456.74 KB
Pages	12
DMCA	Report