ANALISIS SENTIMEN BERBASIS ASPEK PADA OBJEK WISATA ALAM DI KABUPATEN BANDUNG BARAT BERDASARKAN ULASAN GOOGLE MAPS MENGGUNAKAN METODE MULTINOMIAL LOGISTIC REGRESSION
TAMMARA AUDINA PUTRI

Informasi Umum

Kode

23.04.3554

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning, Machine Engineering,

Dilihat

783 kali

Informasi Lainnya

Abstraksi

<p>Pandemi yang melanda Indonesia pada tahun 2020 membuat sektor pariwisata terdampak pada total kunjungan oleh wisatawan dari mancanegara maupun domestik, hingga berpengaruh fatal pada perekonomian Indonesia. Berdasarkan paparan Direktur Kemenparekraf Wawan Rusiawan jumlah kunjungan wisatawan domestik terjadi penurunan sebanyak 198 juta. Menparekraf Sandiaga Salahuddin Uno mengatakan bahwa tahun 2022 menjadi tahun pemulihan pasar wisatawan. Pemulihan ini tentunya diikuti dengan pembenahan oleh pemerintah di berbagai hal yang berhubungan dengan sektor pariwisata. Salah satunya adalah Dinas Pariwisata dan Kebudayaan Provinsi Jawa Barat. Dengan potensi sektor pariwisata yang sangat besar di Jawa Barat, perlu pemanfaatan yang lebih baik lagi untuk memulihkan sektor pariwisata khususnya objek wisata alam yang banyak di Kabupaten Bandung Barat. Untuk mengetahui aspek yang harus dikembangkan, perlu mendengarkan opini masyarakat. Penelitian ini bertujuan untuk menganalisis sentimen berbasis aspek pada objek wisata alam Kabupaten Bandung Barat berdasarkan ulasan yang ada di Google Maps. Tahapan yang dilakukan pada penelitian ini berdasarkan proses <em>data mining</em> KDD (<em>Knowledge Discovery in Database</em>) dan menggunakan algoritma <em>Multinomial Logistic Regression</em>. Dengan melakukan penelitian ini, dapat memprediksi ulasan dari masyarakat terkait objek wisata alam dari berbagai aspek dan sentimen di dalamnya. Aspek yang digunakan pada penelitian ini adalah aksesibilitas, fasilitas (akomodasi & amenitas), dan aktivitas (atraksi & aktivitas). Hasil penelitian ini akan berfokus pengaruh teknik <em>pre-processing</em> dan metode <em>oversampling</em> yang digunakan pada kinerja model <em>f-1 score</em>. Hasil penelitian menunjukkan teknik <em>pre-processing stemming</em> (SM) dan <em>emoji processing</em> (EP) menghasilkan kinerja terbaik pada algoritma <em>Multinomial Logistic Regression</em>. Selain itu, metode SMOTE untuk <em>oversampling</em> sangat berpengaruh dalam meningkatkan kinerja model.</p>

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook