Big Data Analytics to Analyze Sentiment, Emotions, and Perceptions of Travelers (Case Study: Tourism Destination in Purwokerto Indonesia)

Abstract

Big data analytics can extract travelers' sentiment, emotions, and experiences from their internet opinions. This study analyzes sentiment, emotion, and traveler experiences at eight tourism destinations in Purwokerto Central Java, Indonesia. The methods are lexicon using NCR vocabulary(EmoLex) and word cloud analysis. The results show visitors generally have a positive sentiment. The five destinations with high positive sentiment are the Village (91%), Lokawisata Baturaden(81%), Baturaden Forest (79%), Limpa Kuwus (78%), and Taman Andang(.77%). In comparison, other destinations achieve positive sentiment under 70%. Only a few visitors give negative sentiment to all tourism destinations. The emotion of visitors stands out in Joy and Trust. NRC revealed sadness dan anger emotion but only about 20%. Cloud analysis does not reveal a distinguish keyword because the word feature still contained noise such as conjunction, adverb, and the name of the sites. Further research must consider other text preprocessing to handle noises.

Analisis Emosi Wisatawan Menggunakan Metode Lexicon Text Analysis

“…Ahli psikologi-Plutchik dalam [4], sentimen dasar setiap individu adalah positif dan negatif , sedangkan sentiment dasar tersebut dapat diperluas menjadi berbagai spektrum emosi. Emosi-emosi tersebut menunjukkan pengalaman wisatawan [5] Penelitian-penelitian analisis sentiment [3], [5], [6], [7], [8], [9], [10] menunjukkan bahwa pengalaman wisatawan saat atau setelah mereka mengunjungi sebuah objek wisata dapat dideteksi dari komentar mereka di media sosial. Penelitian [8] menggali sentimen wisatawan Kalimantan Barat dari kumpulan reviu di Google Map, hasil penelitian berupa aplikasi website analisis sentimen dalam kelas sentimen positif dan negative, sedangkan data tidak mengandung sentimen diklasifikasikan menjadi kelas netral.…”

“…Pengalaman pelanggan diklasifikasi ke dalam kelas sentimen positif dan negatif, sedangkan komentar tidak mengandung sentimen diklasifikasi menjadi kelas netral. Umumnya, penelitian analisis sentimen hanya membagi sentimen menjadi 2 atau tiga kelas yaitu positif, negatif, dan netral [5], [6], [7], [8], [9], [10], [11]. Menurut penelitian [10], sentiment pengunjung tidak terbatas pada kelas positif dan negatif, atau tanpa mengandung sentiment(netral).…”

“…Selaras dengan cara pengukuran emosi oleh Saif M. Mohammad maka beberapa penelitian analisis emosi mulai dikembangkan [5], [13], [14]. Penelitian sebelumnya menguraikan 2 kelas sentimen dasar (positif dan negatif) dalam 8 jenis emosi yaitu "Joy", "trust", "Surprise","anticipation","Fear", "Anger","Sadness","Disgust".…”

“…Emosi diekstrak dari komentar netizen pada channel YouTube tentang debat calon presiden 2019. Pada domain pariwisata, penelitian [5]dapat mengungkapkan informasi preferensi wisatawan. Kesimpulannya, mayoritas wisatawan mengalami perasaan atau emosi atau pendapat mayoritas pada sentimen positif dan emosi "Joy (senang)" dan "Trust (percaya/yakin)".…”

“…Kesimpulannya, mayoritas wisatawan mengalami perasaan atau emosi atau pendapat mayoritas pada sentimen positif dan emosi "Joy (senang)" dan "Trust (percaya/yakin)". Namun, pada penelitian [5] masih terbatas pada jumlah dataset, pra-pemrosesan teks yang digunakan dan sampel objek wisata yaitu hanya 5 objek wisata di Banyumas. Sedangkan pelabelan emosi masih menggunakan kamus lexicon (EmoLex) yang dikembangkan oleh Saif M. Mohammad [13].…”