Model Library Support Vector Machine (LibSVM) untuk Sentiment Review Penilaian Pesisir Pantai
Abstrak
Peningkatan pelayanan sebagai upaya untuk memberikan kenyamanan sebuah tempat wisata, khususnya pesisir pantai selatan pulau Jawa, bagi para pengunjung merupakan sebuah tuntutan bagi para pengelola wisata yang akan memberikan dampak positif di masa depan. Penilaian yang dilakukan untuk mengetahui respons pengunjung wisata pantai mengenai tempat tersebut, memberikan kesan positif atau tidak, menjadi kesulitan tertentu bagi pihak terkait, baik pemerintah maupun pengelola, untuk dapat meningkatkan pelayanan wisata, khususnya pesisir pantai di wilayah selatan pulau Jawa. Penerapan teknologi text mining berbasis machine learning, khususnya sebuah sentiment review, menjadi salah satu solusi yang diusulkan untuk mengatasi permasalahan tersebut, sehingga prediksi potensi wisata dapat diketahui sebelumnya. Pada makalah ini, diusulkan sebuah model sentiment review pesisir pantai dengan menggunakan metode library support vector machine (LibSVM). Proses optimalisasi model mengusulkan sebuah optimasi model yang berbasiskan feature weights menggunakan algoritma particle swarm optimization (PSO) sebagai optimasi model untuk peningkatan akurasi. Upaya peningkatan akurasi pada model yang diusulkan merupakan kontribusi utama pada makalah ini. Hasil penelitian dan eksperimen terhadap model yang diusulkan menghasilkan model terbaik yang diberi nama LibSVM_IG+PSO dengan menggunakan metode LibSVM berbasis information gain (IG) dan PSO, yang menghasilkan tingkat akurasi sebesar 88,97%. Model yang diusulkan ini diharapkan dapat menjadi pendukung keputusan dalam menilai sentimen terhadap pariwisata maritim pesisir pantai yang dapat dimanfaatkan oleh wisatawan, pemerintah, maupun pengelola wisata.
Referensi
Y. Tao, W. Liu, Z. Huang, and C. Shi, “Thematic Analysis of Reviews on the Air Quality of Tourist Destinations from a Sentiment Analysis Perspective,” Tour. Manag. Perspect., Vol. 42, pp. 1–14, Apr. 2022, doi: 10.1016/j.tmp.2022.100969.
K.D. Mukhina, S.V. Rakitin, and A.A. Visheratin, “Detection of Tourists Attraction Points Using Instagram Profiles,” Procedia Comput. Sci., Vol. 108, pp. 2378–2382, 2017, doi: 10.1016/j.procs.2017.05.131.
T. Ali, B. Omar, and K. Soulaimane, “Analyzing Tourism Reviews Using an LDA Topic-Based Sentiment Analysis Approach,” MethodsX, Vol. 9, pp. 1–10, Nov. 2022, doi: 10.1016/j.mex.2022.101894.
Z. Abbasi-Moud, H. Vahdat-Nejad, and J. Sadri, “Tourism Recommendation System Based on Semantic Clustering and Sentiment Analysis,” Expert Syst. Appl., Vol. 167, pp. 1–10, Apr. 2021, doi: 10.1016/j.eswa.2020.114324.
M. Hu et al., “Tourism Demand Forecasting Using Tourist-Generated Online Review Data,” Tour. Manag., Vol. 90, pp. 1–19, Jun. 2022, doi: 10.1016/j.tourman.2022.104490.
V. Taecharungroj and B. Mathayomchan, “Analysing TripAdvisor reviews of tourist attractions in Phuket, Thailand,” Tour. Manag., Vol. 75, pp. 550–568, Dec. 2019, doi: 10.1016/j.tourman.2019.06.020.
F. Pollák, P. Dorčák, N. Račeta, and N. Svetozarovová, “Sustainable E-Marketing of Selected Tourism Subjects from the Mediterranean through Active Online Reputation Management,” in Smart City 360°, A.L-. Gracia et al., Eds., Cham, Switzearland: Springer, 2016, pp. 692–703, doi: 10.1007/978-3-319-33681-7_60.
T. Ali et al., “Exploring Destination’s Negative E-Reputation Using Aspect Based Sentiment Analysis Approach: Case of Marrakech Destination on TripAdvisor,” Tour. Manag. Perspect., Vol. 40, pp. 1–15, Oct. 2021, doi: 10.1016/j.tmp.2021.100892.
D. Apriliani et al., “Sentiment Analysis for Indonesia Hotel Services Review Using Optimized Neural Network,” J. Phys. Conf. Ser., Vol. 1538, No. 1, pp. 1–8, May 2020, doi: 10.1088/1742-6596/1538/1/012060.
P.J. Lee, Y.H. Hu, and K.T. Lu, “Assessing the Helpfulness of Online Hotel Reviews: A Classification-Based Approach,” Telemat., Inform., Vol. 35, No. 2, pp. 436–445, May 2018, doi: 10.1016/j.tele.2018.01.001.
R.P. Nawangsari, R. Kusumaningrum, and A. Wibowo, “Word2Vec for Indonesian Sentiment Analysis towards Hotel Reviews: An Evaluation Study,” Procedia Comput. Sci., Vol. 157, pp. 360–366, Oct. 2019, doi: 10.1016/j.procs.2019.08.178.
N. Oktaviana, H.C. Rustamaji, and H. Sofyan, “Sentiment Analysis on Reviews of Beach Tourism Objects on Google Maps Using Long-Short Term Memory Method,” Pros. Semin. Nas. Inform., 2022, Vol. 1, No. 1, pp. 133–143.
D.T. Alamanda et al., “Sentiment Analysis Using Text Mining of Indonesia Tourism Reviews via Social Media,” Int. J. Humanit. Arts, Soc. Sci., Vol. 5, No. 2, pp. 72–82, Apr. 2019, doi: 10.20469/ijhss.5.10004-2.
B. Mathayomchan and K. Sripanidkulchai, “Utilizing Google Translated Reviews from Google Maps in Sentiment Analysis for Phuket Tourist Attractions,” in 2019 16th Int. Joint Conf. Comput. Sci., Softw. Eng. (JCSSE), 2019, pp. 260–265, doi: 10.1109/JCSSE.2019.8864150.
N. Leelawat et al., “Twitter Data Sentiment Analysis of Tourism in Thailand during the COVID-19 Pandemic Using Machine Learning,” Heliyon, Vol. 8, No. 10, pp. 1–11, Oct. 2022, doi: 10.1016/j.heliyon.2022.e10894.
D. Liu, Z. Wang, L. Wang, and L. Chen, “Multi-Modal Fusion Emotion Recognition Method of Speech Expression Based on Deep Learning,” Front. Neurorobot., Vol. 15, Jul. 2021, doi: 10.3389/fnbot.2021.697634.
C.-C. Chang and C.-J. Lin, “LIBSVM,” ACM Trans. Intell. Syst., Technol., Vol. 2, No. 3, pp. 1–27, Apr. 2011, doi: 10.1145/1961189.1961199.
C.W. Schmidt, “Improving a TF-IDF Weighted Document Vector Embedding,” 2019, arXiv:1902.09875.
J. Xu, Y. Zhang, and D. Miao, “Three-Way Confusion Matrix for Classification: A Measure Driven View,” Inf. Sci., Vol. 507, pp. 772–794, Jan. 2020, doi: 10.1016/j.ins.2019.06.064.
T. Chen et al., “EEG Emotion Recognition Model Based on the LIBSVM Classifier,” Meas., Vol. 164, pp. 1–7, Nov. 2020, doi: 10.1016/j.measurement.2020.108047.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
