Pemodelan Topik Ulasan Google Menggunakan Latent Dirichlet Allocation untuk Objek Wisata Alam: Topic Modeling of Google Reviews Using Latent Dirichlet Allocation for Natural Attractions

Firmansyah Firmansyah; Diqy Fakhrun Shiddieq; Dwi Nurhayati

doi:10.57152/malcom.v6i4.3050

Authors

Firmansyah Firmansyah Universitas Garut
Diqy Fakhrun Shiddieq Universitas Garut
Dwi Nurhayati Universitas Garut

DOI:

https://doi.org/10.57152/malcom.v6i4.3050

Keywords:

Coherence Score, Google Review, Latent Dirichlet Allocation (LDA), Topic Modeling, Wisata Alam

Abstract

Pertumbuhan jumlah ulasan wisatawan di Google Review menghasilkan data teks yang kaya informasi mengenai pengalaman pengunjung, tetapi sifatnya yang tidak terstruktur menyulitkan analisis manual. Penelitian ini bertujuan mengidentifikasi tema utama dalam ulasan wisata alam di Kabupaten Garut menggunakan metode Latent Dirichlet Allocation (LDA). Kebaruan penelitian terletak pada penerapan preprocessing yang disesuaikan dengan karakteristik bahasa ulasan lokal, meliputi normalisasi kata tidak baku dan penggunaan kamus stopword khusus pariwisata, pada konteks wisata alam Kabupaten Garut yang belum dikaji secara khusus menggunakan LDA. Sebanyak 12.861 ulasan dari berbagai destinasi wisata alam dikumpulkan menggunakan Instant Data Scraper. Data kemudian diproses melalui tahapan case folding, cleaning, normalization, tokenizing, stopword removal, dan stemming. Pemodelan dilakukan dengan menguji beberapa jumlah topik berdasarkan nilai coherence score, kemudian hasilnya divisualisasikan menggunakan pyLDAvis. Model terbaik menghasilkan lima topik dengan nilai coherence 0,5461. Kelima topik tersebut mencakup aksesibilitas destinasi, biaya kunjungan, wisata pantai dan kebersihan lingkungan, keindahan dan kenyamanan destinasi, serta pengalaman wisata pegunungan. Visualisasi pyLDAvis memperlihatkan hubungan antartopik dan distribusi kata dominan. Hasil penelitian menunjukkan bahwa LDA dapat mengekstraksi informasi bermakna dari ulasan wisatawan serta memberikan masukan bagi pengelola destinasi dan pemerintah daerah dalam meningkatkan kualitas layanan, fasilitas, kebersihan lingkungan, dan pengembangan wisata alam berkelanjutan di Kabupaten Garut.

Downloads

Download data is not yet available.

References

Kementerian Pariwisata Republik Indonesia, “No Title,” Kementerian Pariwisata RI. [Online]. Available: https://kemenpar.go.id/direktori-statistik/perkembangan-tourism-satellite-account-indonesia-tahun-2023

D. P. dan K. K. Garut, “No Title,” Satu Data Kabupaten Garut. [Online]. Available: https://satudata.garutkab.go.id/datasets/jumlah-kunjungan-wisatawan-di-kabupaten-garut-4616/

Z. Shang and J. M. Luo, “Current Issues in Tourism Topic modelling for wildlife tourism online reviews?: analysis of quality factors,” Curr. Issues Tour., pp. 1–15, 2022, doi: 10.1080/13683500.2022.2086107.

D. Maspupah, “The Analysis of Visitor Journey of Tourists in Garut Regency,” vol. 3, pp. 139–149, 2023, doi: 10.35313/jtospolban.v3i3.103.

I. Sutherland, Y. Sim, S. K. Lee, J. Byun, and K. Kiatkawsin, “Topic Modeling of Online Accommodation Reviews via Latent Dirichlet Allocation,” 2020, doi: 10.3390/su12051821.

A. Rifa’i, H. Sujaini, and D. Prawira, “Sentiment Analysis Objek Wisata Kalimantan Barat Pada Google Maps Menggunakan Metode Naive Bayes,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 7, no. 3, pp. 400–407, 2021, doi: 10.26418/jp.v7i3.48132.

“Analisis Topik pada Forum Pariwisata di Indonesia Menggunakan Latent Dirichlet Allocation,” Teknika, vol. 17, no. 1, pp. 8–14, 2023, doi: 10.35134/teknika.v17i1.6893.

Y. A. Singgalen, “Analisis Sentimen dan Pemodelan Topik dalam Optimalisasi Pemasaran Destinasi Pariwisata Prioritas di Indonesia,” J. Inf. Syst. Informatics, vol. 4, no. 1, pp. 459–470, 2021.

V. Willyanto and H. K. Tunjungsari, “Peran User Generated Content dan Destination Image dalam Membentuk Satisfaction dan Revisit Intention ke Candi Borobudur,” vol. 9, no. 1, pp. 261–274, 2025.

T. Modelling, “Indonesian Journal of Computer Science,” vol. 12, no. 1, pp. 3326–3339, 2023.

D. Buenaño-fernandez, S. Luján-mora, M. González, and D. Gil, “Text Mining of Open-Ended Questions in Self-Assessment of University Teachers?: An LDA Topic Modeling Approach,” vol. 8, 2020, doi: 10.1109/ACCESS.2020.2974983.

R. Albalawi, T. H. Yeap, and M. Benyoucef, “Using Topic Modeling Methods for Short-Text Data?: A Comparative Analysis,” vol. 3, no. July, pp. 1–14, 2020, doi: 10.3389/frai.2020.00042.

R. Egger, J. Yu, and J. Yu, “A Topic Modeling Comparison Between LDA , NMF , Top2Vec , and BERTopic to Demystify Twitter Posts Making Sense of Social Media Using,” vol. 7, no. May, pp. 1–16, 2022, doi: 10.3389/fsoc.2022.886498.

U. N. Khadijah and N. Cahyono, “The Indonesian Journal of Computer Science,” vol. 13, no. 4, pp. 6075–6086, 2024, doi: https://doi.org/10.33022/ijcs.v13i4.3816.

M. S. Nugraha and M. I. Triguna, “Analisis Potensi Wisata Alam Situ Bagendit di Kabupaten Garut,” pp. 24–32, 2024, doi: 10.33364/jidar.

H. Zhang, T. Daim, and Y. Peggy, “Technological Forecasting & Social Change Integrating patent analysis into technology roadmapping?: A latent dirichlet allocation based technology assessment and roadmapping in the field of Blockchain,” Technol. Forecast. Soc. Chang., vol. 167, no. August 2019, p. 120729, 2021, doi: 10.1016/j.techfore.2021.120729.

U. Pahlawan, T. Tambusai, M. H. Ababil, G. Joshua, and B. Setiawan, “Jurnal Pendidikan dan Konseling Dirichlet Allocation ( LDA ),” vol. 4, pp. 6185–6196, 2022.

E. Puspita, D. F. Shiddieq, and F. F. Roji, “Topic Modeling on Online News Media Using Latent Diriclet Allocation ( Case Study Somethinc Brand ) Pemodelan Topik pada Media Berita Online Menggunakan Latent Dirichlet Allocation ( Studi Kasus Merek Somethinc ),” vol. 4, no. April, pp. 481–489, 2024.

J. Chang, S. Gerrish, C. Wang, and D. M. Blei, “Reading Tea Leaves?: How Humans Interpret Topic Models,” pp. 1–9.

P. Madz and M. Valeri, “Digital transformation in tourism?: bibliometric literature review based on machine learning approach s,” vol. 26, no. 7, pp. 177–205, 2026, doi: 10.1108/EJIM-09-2022-0531.

J. Penerapan, T. Informasi, W. Yohanes, Y. Mramra, and Y. Nataliani, “IT-EXPLORE Penentuan bidang unggulan akademik universitas melalui metode topik Linear Discriminant Analysis ( LDA ),” vol. 04, pp. 93–105, 2025, doi: 10.24246/itexplore.v4i1.2025.pp93-105.

A. Hoyle, A. Hian-cheong, J. Boyd-graber, and P. Resnik, “Is Automated Topic Model Evaluation Broken??: The Incoherence of Coherence,” no. NeurIPS, 2021.

C. Sievert, K. E. Shirley, and N. York, “LDAvis?: A method for visualizing and interpreting topics,” pp. 63–70, 2014.

N. Cahyono, N. Nurcahyo, A. Fauzan, and R. Agung, “Analisa Perbandingan Latent Semantic Indexing ( LSI ) dan Latent Dirichlet Allocation ( LDA ) untuk Topic Modelling Aplikasi Identitas Kependudukan Digital ( IKD ),” vol. 6, no. 3, pp. 1638–1647, 2024, doi: 10.47065/bits.v6i3.5970.

T. Ali, B. Omar, and K. Soulaimane, “Analyzing tourism reviews using an LDA topic-based sentiment analysis approach,” MethodsX, vol. 9, p. 101894, 2022, doi: 10.1016/j.mex.2022.101894.

N. L. P. M. Putu, A. Z. Amrullah, and Ismarmiaty, “Analisis Sentimen dan Pemodelan Topik Pariwisata Lombok Menggunakan Algoritma Naive Bayes dan Latent Dirichlet Allocation,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 123–131, 2021, doi: 10.29207/resti.v5i1.2587.