Analisis Sentimen Berbasis Aspek pada Ulasan Pariwisata Menggunakan Varian Algoritma K-Nearest Neighbor: Aspect-Based Sentiment Analysis of Tourism Reviews Using Variants of the K-Nearest Neighbor Algorithm

Ahmad Luky Ramdani; Anastasya Nurfitriyani Hidayat; Luluk Muthoharoh

doi:10.57152/malcom.v6i2.2522

Authors

Ahmad Luky Ramdani Institut Teknologi Sumatera
Anastasya Nurfitriyani Hidayat Institut Teknologi Sumatera
Luluk Muthoharoh Institut Teknologi Sumatera

DOI:

https://doi.org/10.57152/malcom.v6i2.2522

Keywords:

Klasifikasi, KNN, MKNN, Objek Wisata, Sentimen Berbasis Aspek, Ulasan

Abstract

Sektor pariwisata merupakan sektor kunci dalam pembangunan daerah dan kesejahteraan masyarakat. Ulasan pengunjung penting karena memberikan informasi yang membantu meningkatkan kualitas objek wisata. Penelitian ini bertujuan untuk melakukan analisis sentimen berbasis aspek pada objek wisata di Kabupaten Samosir dengan fokus pada tiga aspek utama, yaitu atraksi (attractions), amenitas (amenity), dan aksesibilitas (accessibility) berdasarkan ulasan pengunjung di Google Maps. Berdasarkan hasil eksperimen aspek objek wisata, Modified K-Nearest Neighbor (MKNN) mencapai akurasi 55,50%, presisi 62,28%, recall 80,03%, dan F1-Score 59,96%, sedangkan K-Nearest Neighbor (KNN) mencapai akurasi 74%, presisi 65,17%, recall 84,64%, dan F1-Score 70,45%. Untuk aspek kenyamanan, MKNN mencapai akurasi 89,50%, presisi 87,71%, recall 85,19%, dan F1-Score 86,27%, sedangkan KNN menghasilkan akurasi 92,50%, presisi 93,54%, recall 86,99%, dan F1-Score 89,83%. Pada aspek Aksesibilitas, MKNN memperoleh akurasi 85,50% dengan presisi 77,53%, recall 72,44%, dan F1-Score 74,71%, sedangkan KNN mencapai akurasi 86,50%, presisi 79,02%, recall 70,59%, dan F1-Score 74,05%. Dari sini terlihat bahwa model KNN masih menunjukkan performa yang lebih unggul dibandingkan dengan MKNN pada ketiga aspek yang dianalisis.

Downloads

Download data is not yet available.

References

F. J. Muhammad, I. Irawati, dan M. Halimah, “Implementasi Kebijakan Program Pengembangan Pariwisata Berkelanjutan di Kota Manado,” JIIP J. Ilm. Ilmu Pemerintah., vol. 7, no. 1, hlm. 63–83, 2022.

M. Prisma, N. Wahyu, dan U. N. Surabaya, “JURNAL GEOGRAFI Pengembangan Wilayah Kabupaten Lamongan di bidang Pariwisata berbasis Community Based Tourism,” Geogr. Dan Pengajarannya, vol. xx, hlm. 0–8, 2020.

N. Nusantoro, I. M. C. Mandira, H. S. Ghaur, dan A. J. S. Runturambi, “Peran Tentara Nasional Indonesia (Kodam I Bukit Barisan) Dalam Mendukung Pengembangan Pariwisata Berkelanjutan di Danau Toba,” Altasia J. Pariwisata Indones., vol. 5, no. 2, hlm. 1–15, 2023.

“Penerapan Aspect-Based Sentiment Analysis untuk Identifikasi Masalah Kualitas Layanan Aplikasi Mobile iPusnas berdasarkan Persepsi Pengguna,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 9, no. 7, 24 2025, Diakses: 2 Januari 2026. [Daring]. Tersedia pada: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/15039

P. Wirawan Eka dan I. M. Semara Trisna, Pengantar Pariwisata. Unit Penerbit dan Publikasi Institut Pariwisata dan Bisnis Internasional, 2021.

S. Zhang, “Challenges in KNN Classification,” IEEE Trans. Knowl. Data Eng., vol. 34, no. 10, hlm. 4663–4675, 2022.

G. A. Rosso, “Milton,” William Blake Context, no. September, hlm. 184–191, 2019.

A. Nur, Mustakim, S. Syarifandi, dan S. Amin, “Implementation of text mining classification as a model in the conclusion of Tafsir Bil Ma’tsur and Bil Ra’yi contents,” Int. J. Eng. Adv. Technol., vol. 9, no. 1, hlm. 2789–2795, 2019.

V. R. Joseph, “Optimal ratio for data splitting,” Stat. Anal. Data Min. ASA Data Sci. J., vol. 15, no. 4, hlm. 531–538, 2022, doi: https://doi.org/10.1002/sam.11583.

Z. Hadi, M. Zulpahmi, A. Asrory, dan R. Forest, “Detecting Fake Reviews Using BERT and Sublinear _ TF Methods on Hotel Reviews in the Lombok Tourism Area,” vol. 8, no. 2, hlm. 550–556, 2024.

D. Dablain, B. Krawczyk, dan N. V Chawla, “DeepSMOTE?: Fusing Deep Learning and SMOTE for Imbalanced Data,” IEEE Trans. Neural Netw. Learn. Syst., vol. 34, no. 9, hlm. 6390–6404, 2023.

T. Waryono, Fundamental of Phyton for machine learning. Yogyakarta: Gava Media, 2018.

A. E. Pramudit dan M. B. Akbar, “Absensi Dengan Pengenalan Wajah Menggunakan Convolutional Neural Network (CNN) Dan Euclidean Distance Attendance with face recognition using Convolutional Neural Network (CNN) and Euclidean Distance,” J. Info Digit, vol. 2, no. 2, hlm. 616–631, 2024.

K. U. Syaliman, D. Gunawan, T. Informatika, dan P. C. Riau, “Jurnal Testing dan Implementasi Sistem Informasi Implementation Of Local Mean Distance Weighting K- Nearest Neighbor In Determining Vocational High School Majors In Pekanbaru Penerapan Pembobotan Local Mean Distance K-Nearest,” Vol. 2, No. 1, Hlm. 59–68, 2024.

A. E. S. Saputro, K. A. Notodiputro, dan I. A, “Study of Sentiment of Governor’s Election Opinion in 2018,” Int. J. Sci. Res. Sci. Eng. Technol., no. December, hlm. 231–238, 2018.

D. I. Af’idah, P. D. Anggraeni, M. Rizki, A. B. Setiawan, dan S. F. Handayani, “Aspect-Based Sentiment Analysis for Indonesian Tourist Attraction Reviews Using Bidirectional Long Short-Term Memory,” JUITA J. Inform., vol. 11, no. 1, hlm. 27, 2023.

R. Yi, L. Guo, S. Wei, A. Zhou, S. Wang, dan S. Member, “EdgeMoE?: Empowering Sparse Large Language Models on Mobile Devices,” IEEE Trans. Mob. Comput., hlm. 1–16, 2025.

I. Gazalba, N. Gayatri, dan I. Reza, “Comparative Analysis of K-Nearest Neighbor and Modified K-Nearest Neighbor Algorithm for Data Classification,” hlm. 294–298, 2017.

L. A. Yates, Z. Aandahl, S. A. Richards, dan B. W. Brook, “Cross validation for model selection: A review with examples from ecology,” Ecol. Monogr., vol. 93, no. 1, hlm. 1–36, 2023.

N. Zhang, W. Karimoune, L. Thompson, dan H. Dang, “A between-class overlapping coherence-based algorithm in KNN classification,” 2017 IEEE Int. Conf. Syst. Man Cybern. SMC 2017, vol. 2017-Janua, hlm. 572–577, 2017.