Analisis Sentimen Tempat Wisata Berdasarkan Ulasan pada Google Maps Menggunakan Algoritma Support Vector Machine
Sentiment Analysis of Tourist Attractions Based on Reviews on Google Maps Using the Support Vector Machine Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i1.1066Keywords:
Analisis Sentiment, DIY, Google Maps, SVM, Tempat WisataAbstract
Era Revolusi Industri 4.0 ditandai oleh ketersediaan data yang melimpah, menciptakan peluang dalam proses pengambilan informasi. Salah satu proses pengambilan data tersebut mencakup pencarian informasi tentang tempat wisata di Yogyakarta (DIY). Proses pengambilan informasi ini dapat dilakukan melalui Google Maps, yang menyediakan detail seperti lokasi, jarak, bahkan ulasan pengunjung dalam bagian komentar, yang berasal dari ulasan tentang destinasi wisata tersebut. Dalam data informasi yang dikumpulkan, muncul berbagai masalah yang memerlukan identifikasi, mengarah pada gagasan penelitian untuk menganalisis sentimen terkait destinasi wisata dengan memanfaatkan ulasan pengguna di Google Maps. Metodologi penelitian yang digunakan dalam studi ini menggunakan Support Vector Machine (SVM) untuk mengategorikan ulasan ke dalam kategori sentimen positif, negatif, atau netral. Ulasan pengguna dari platform Google Maps diolah dan dilatih menggunakan SVM untuk mengidentifikasi pola sentimen. Hasil eksperimen menunjukkan efektivitas metode SVM dalam mengelola volume besar data ulasan untuk analisis sentimen, memberikan pemahaman yang lebih dalam tentang persepsi masyarakat terhadap destinasi wisata. Penelitian ini dapat berkontribusi pada pengembangan strategi pemasaran dan manajemen berdasarkan umpan balik pengguna secara real-time. Temuan penelitian mengenai kinerja metode SVM dalam klasifikasi analisis sentimen menggunakan Support Vector Machine (SVM) menunjukkan tingkat akurasi rata-rata sebesar 83,8% berdasarkan ulasan pengunjung di situs Google Maps.
References
K. Kusnawi, M. A. F. E. Putra, and J. Ipmawati, “Price Prediction Of Basic Material Using ARIMA Forecasting Method Through Open Data Sumedang District,” SISTEMASI, vol. 12, no. 2, pp. 293–307, May 2023, Accessed: Dec. 21, 2023. [Online]. Available: http://sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/2282
E. Virantika, K. Kusnawi, and J. Ipmawati, “Evaluasi Hasil Pengujian Tingkat Clusterisasi Penerapan Metode K-Means Dalam Menentukan Tingkat Penyebaran Covid-19 di Indonesia,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 3, pp. 1657–1666, Jul. 2022, doi: 10.30865/MIB.V6I3.4325.
“Prediction of Student Satisfaction with Academic Services Using The C4.5 Algorithm (Case Study: Yogyakarta Nahdlatul Ulama University) | Ipmawati | Prosiding Seminar Sains Nasional dan Teknologi.” Accessed: Dec. 21, 2023. [Online]. Available: https://publikasiilmiah.unwahas.ac.id/index.php/PROSIDING_SNST_FT/article/view/7214
“Local Consumer Review Survey 2023: Customer Reviews and Behavior.” Accessed: Dec. 21, 2023. [Online]. Available: https://www.brightlocal.com/research/local-consumer-review-survey/
I. F. A. Mubarok, B. Huda, A. Hananto, T. Tukino, and H. Kabir, “Analisis User Sentiment Aplikasi Google Maps, Maps.Me Dan Waze Menggunakan Metode Support Vector Machine,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 8, no. 1, pp. 69–74, 2023, doi: 10.36341/rabit.v8i1.3020.
N. R. W. Adhitia Erfina, “Analisis Sentimen Perguruan Tinggi Termewah Di Indonesia Menurut Ulasan Google Maps Menggunakan Algoritma Support Vector Machine (SVM),” J. Sist. Inf. dan Inform., vol. 5, no. 1, pp. 77–85, 2022.
M. S. Syahlan, D. Irmayanti, and S. Alam, “Analisis Sentimen Terhadap Tempat Wisata Dari Komentar Pengunjung Dengan Menggunakan Metode Support Vector Machine (Svm),” Simtek J. Sist. Inf. dan Tek. Komput., vol. 8, no. 2, pp. 315–319, 2023, doi: 10.51876/simtek.v8i2.281.
A. Sasmito Aribowo, H. Basiron, N. Fazilla, A. Yusof, and S. Khomsah, “Cross- domain sentiment analysis model on Indonesian YouTube comment,” Int. J. Adv. Intell. Informatics, vol. 7, no. 1, pp. 12–25, 2021, doi: 10.26555/ijain.v7i1.554.
F. A. Khan, K. Zeb, M. Al-Rakhami, A. Derhab, and S. A. C. Bukhari, “Detection and Prediction of Diabetes Using Data Mining: A Comprehensive Review,” IEEE Access, vol. 9, pp. 43711–43735, 2021, doi: 10.1109/ACCESS.2021.3059343.
P. Wang et al., “Classification of Proactive Personality: Text Mining Based on Weibo Text and Short-Answer Questions Text,” IEEE Access, vol. 8, pp. 97370–97382, 2020, doi: 10.1109/ACCESS.2020.2995905.
N. Zhao, H. Gao, X. Wen, and H. Li, “Combination of convolutional neural network and gated recurrent unit for aspect-based sentiment analysis,” IEEE Access, vol. 9, pp. 15561–15569, 2021, doi: 10.1109/ACCESS.2021.3052937.
C. V D, “Hybrid approach: naive bayes and sentiment VADER for analyzing sentiment of mobile unboxing video comments,” Int. J. Electr. Comput. Eng., vol. 9, no. 5, pp. 4452–4459, 2019, doi: 10.11591/ijece.v9i5.pp4452-4459.
M. A. Fauzi, “Word2Vec model for sentiment analysis of product reviews in Indonesian,” Int. J. Electr. Comput. Eng., vol. 9, no. 1, pp. 525–530, 2019, doi: 10.11591/ijece.v9i1.pp525-530.
A. W. Pradana and M. Hayaty, “The Effect of Stemming and Removal of Stopwords on the Accuracy of Sentiment Analysis on Indonesian-language Texts,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 4, no. 4, pp. 375–380, 2019, doi: 10.22219/kinetik.v4i4.912.
E. Sutoyo and A. Almaarif, “Twitter sentiment analysis of the relocation of Indonesia’s capital city,” Bull. Electr. Eng. Informatics, vol. 9, no. 4, pp. 1620– 1630, 2020, doi: 10.11591/eei.v9i4.2352.
Y. Al Amrani, M. Lazaar, and K. E. El Kadirp, “Random Forest and Support Vector Machine based Hybrid Approach to Sentiment Analysis,” Procedia Comput. Sci., vol. 127, pp. 511–520, Jan. 2018, doi: 10.1016/J.PROCS.2018.01.150.
G. Li and J. Li, “Research on Sentiment Classification for Tang Poetry based on TF-IDF and FP-Growth,” Proc. 2018 IEEE 3rd Adv. Inf. Technol. Electron. Autom. Control Conf. IAEAC 2018, pp. 630–634, Dec. 2018, doi: 10.1109/IAEAC.2018.8577715.
F. Rozi, F. Sukmana, and M. N. Adani, “Pengelompokkan Judul Buku dengan Menggunakan Algoritma K-Nearest Neighbor (K-NN) dan Term Frequency – Inverse Document Frequency (TF-IDF),” JIMP J. Inform. Merdeka Pasuruan, vol. 6, no. 3, pp. 1–5, 2021.
P. R. Sihombing and A. M. Arsani, “Comparison of Machine Learning Methods in Classifying Poverty in Indonesia in 2018,” J. Tek. Inform., vol. 2, no. 1, pp. 51–56, 2021, doi: 10.20884/1.jutif.2021.2.1.52.
A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020, doi: 10.30871/jaic.v4i1.2017.
D. Alita, Y. Fernando, and H. Sulistiani, “Implementasi Algoritma Multiclass Svm Pada Opini Publik Berbahasa Indonesia Di Twitter,” J. Tekno Kompak, vol. 14, no. 2, p. 86, 2020, doi: 10.33365/jtk.v14i2.792.
