Sentimen Ulasan Destinasi Wisata Pulau Bali Menggunakan Bidirectional Long Short Term Memory

Abstract

Pemerintah dan pelaku industri pariwisata mengalami permasalahan dalam menentukan prioritas pengembangan suatu destinasi wisata. Karena itu, diperlukan identifikasi objek wisata yang diminati namun banyak mendapat ulasan buruk melalui ulasan dari masyarakat yang tersebar di internet. Penelitian ini bertujuan melakukan analisis sentimen terhadap ulasan objek wisata di Pulau Bali menggunakan Bi-LSTM dan Word2Vec, sehingga diperoleh model terbaik yang dapat digunakan untuk mengidentifikasi objek wisata potensial namun mendapat ulasan buruk. Bi-LSTM merupakan deep learning yang menawarkan akurasi yang lebih baik daripada LSTM biasa. Sedangkan Word2Vec merupakan pretraining yang dipilih karena dapat menangkap makna semantik teks. Penelitian ini menggunakan data ulasan objek wisata di Pulau Bali yang berasal dari situs tripadvisor.com. Penelitian dimulai dari pengumpulan data, perancangan alur program, preprocessing, pretraining Word2Vec, pembagian data uji dan data latih, pelatihan dan pengujian, serta evaluasi penentuan model terbaik. Akurasi terbaik dihasilkan oleh kombisasi Word2Vec terdiri dari CBOW, Hierarchical Softmax, dimensi 200, Bi-LSTM dengan dropout sebesar 0,5 dan learning rate sebesar 0,0001. Kombinasi tersebut menghasilkan akurasi tertinggi dari keseluruhan 108 kombinasi yaitu sebesar 96,86%, precission sebesar 96,53%, Recall sebesar 96,31%, F1 Measure sebesar 96,41%. Akurasi yang baik tersebut membuktikan bahwa kombinasi parameter Bi-LSTM dan Word2Vec cocok digunakan untuk analisis sentimen ulasan objek wisata di Pulau Bali.

Unsafe Conditions Identification Using Social Networks in Power Plant Safety Reports

“…Data processing is necessary to remove noise in the data, such as abbreviations and informal words that are difficult for computers to understand [24]. Process preprocessing has several stages; the following are the stages of preprocessing [25]. The data preprocessing process consists of four main stages.…”

Penerapan Metode Long Short-Term Memory dan Word2Vec dalam Analisis Sentimen Ulasan pada Aplikasi Ferizy

“…Setelah proses pelabelan selesai, selanjutnya akan dilakukan klasifikasi menggunakan metode LSTM yang telah dijelaskan pada bab di atas. Metode LSTM digunakan karena menggunakan blok memory-cell, meliputi input gate, forget gate dan output gate untuk mengganti lapisan RNN supaya bisa mengatasi masalah vanishing gradient pada RNN [19]. Pada metode LSTM meskipun ada jarak antarteks, analisis masih bisa dilakukan.…”

Performance Improvement of The Random Forest Method Based on Smote-Tomek Link on Lombok Tourism Analysis Sentiment

“…Research [12] uses the Naive Bayes method for tourism sentiment analysis in the Covid period with an accuracy of 62%. Research [13] uses the LSTM method for sentiment analysis of bali tourism with an accuracy of 96%. Some previous studies have weaknesses that can be improved in this study, namely that previous studies have not solved the problem of imbalance in the dataset used.…”