Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ulasan hotel online berupa teks yang diunggah oleh wisatawan mengenai pengalaman yang mereka rasakan merupakan suatu hal yang dapat dimanfaatkan oleh industri perhotelan karena mereka bersentuhan langsung dengan wisatawan melalui fasilitas dan layanan yang mereka sediakan. Salah satu hal yang perlu diperhatikan dari industri perhotelan adalah kualitas layanan hotel itu sendiri. Masukan dari wisatawan melalui ulasan hotel tersebut dapat digunakan untuk meningkatkan kualitas layanan hotel. Dengan adanya peningkatan kualitas layanan hotel akan berdampak pada jumlah kunjungan wisatawan karena wisatawan saat ini membaca ulasan hotel sebelum akhirnya mereka memutuskan hotel yang akan mereka pilih. Hal ini sejalan dengan target pemerintah dalam meningkatkan jumlah kunjungan wisatawan melalui sepuluh destinasi wisata prioritas yang telah dicanangkan dalam rangka mengembangkan sektor pariwisata di Indonesia. Pada penelitian ini, teknik klasifikasi digunakan untuk mengklasifikasi ulasan berdasarkan dimensi HOLSERV Plus dan orientasi sentimennya. Dari hasil penelitian ini, algoritma Support Vector Machine memiliki nilai precision, accuracy, dan recall tertinggi dibandingkan NaA ve Bayes dan k-Nearest Neighbor. Secara keseluruhan, hampir semua dimensi memiliki sentimen yang positif. Dimensi Employee merupakan dimensi yang memiliki skor sentimen positif tertinggi pada delapan destinasi wisata prioritas. Sedangkan untuk keempat dimensi lainnnya memerlukan upaya perbaikan untuk meningkatkan kualitas pelayanan hotel.

---

Online hotel reviews in the form of text uploaded by tourists regarding the experience they feel is something that can be utilized by the hotel industry because they come in direct contact with tourists through the facilities and services they provide. One of the things that need to be considered from the hospitality industry is the quality of the hotel service itself. Input from tourists through hotel reviews can be used to improve the quality of hotel services. The increase in the quality of hotel services will have an impact on the number of tourist visits because tourists are currently reading hotel reviews before finally deciding which hotel they will choose. This is in line with the governments target in increasing the number of tourist visits through ten priority tourist destinations that have been announced in order to develop the tourism sector in Indonesia. In this study, classification techniques were used to classify reviews based on HOLSERV Plus dimensions and sentiment orientation. From the results of this study, the Support Vector Machine algorithm has the highest value of precision, accuracy, and recall compared to NaAve Bayes and k-Nearest Neighbor. Overall, almost all dimensions have positive sentiments. The Employee Dimension is the dimension that has the highest positive sentiment score in eight priority tourist destinations. Whereas for the other four dimensions, it requires improvement efforts to improve the quality of hotel services."

"Perkembangan teknologi komunikasi dan web pada industri pariwisata kian mempengaruhi cara orang dalam mengakses informasi. Salah satu bentuk perkembangannya diwakili dengan ulasan online oleh pengguna hotel pada travel website yang keberadaannya tengah menjamur dewasa ini. Opini pengguna dapat dimanfaatkan oleh pengelola hotel dalam meningkatkan kualitas industri perhotelan, bersamaan dengan rencana pemerintah untuk mendatangkan lebih banyak wisatawan ke Indonesia. Penelitian ini menggunakan pendekatan opinion mining guna mengetahui aspek yang berkaitan dengan layanan dan fasilitas beserta sentimennya untuk menggambarkan pendapat pengguna terhadap kualitas hotel. Sebuah program yang bekerja atas prinsip Recursive Neural Tensor Network (RNTN) digunakan dalam penelitian ini. Ulasan pengguna hotel di Labuan Bajo, Lombok, dan Bali digunakan untuk mewakili daerah wisata yang mirip dan berdekatan, serta tingkat perkembangan pariwisata yang berbeda-beda. Luaran analisis sentimen menunjukkan bahwa aspek yang berkaitan dengan aktivitas dan hiburan, fasilitas ruangan, dan jasa transportasi di ketiga daerah masih didominasi dengan sentimen negatif. Hasil penelitian dapat digunakan untuk evaluasi dalam meningkatkan kualitas industri perhotelan sebagai penunjang pariwisata di Indonesia.

---

The rapid development of communication technology and website on the tourism domain increasingly influence the way people access information. One of the development impact is represented by hotel users? review on travel websites whose existence is flourishing today. Users? opinion can be used by hotel managers for improving the quality of the hospitality industry, in line with the government plans to bring more tourists to Indonesia. Opinion mining approach is used in this research to determine the aspects related to service and facility of the hotel, along with the sentiment to describe users opinion towards the quality of the hotel. A program that works on the principle of Recursive Neural Tensor Network (RNTN) used in this study. Hotel users? review in Labuan Bajo, Lombok, and Bali used to represent the tourist areas that are similar and close to each other, with different levels of tourism development. The output of this research shows that the hotel aspects related to activities and entertainment, room amenities, and transportation services in the three regions are still dominated by negative sentiment. Therefore, the results of this research can be used for evaluation to improve the quality of the hospitality industry as an important support in Indonesia tourism."

"Dengan perkembangan teknologi yang pesat dan penetrasi internet yang tinggi di kalangan pelajar, pendidikan telah bertransformasi dari pembelajaran konvensional menjadi interactive learning atau biasa disebut sebagai pendidikan daring. Berbagai aplikasi education technology berbasis mobile mulai bermunculan. Namun, menawarkan jasa atau produk dari education technology masih merupakan sebuah tantangan untuk dapat terus bertahan dan diterima masyarakat dalam hal ini siswa. Perusahaan perlu untuk mengetahui kualitas produk dan layanan yang diberikan saat ini dari perspektif pengguna melalui ulasan pengguna. Penelitian ini melakukan Opinion Mining multibahasa untuk ulasan berbahasa Indonesia dan berbahasa Inggris dari Google Play Store pada empat aplikasi yaitu Zenius, Quipper, Rumah Belajar, dan Ruangguru. Dua pendekatan antara lain Aspect-Based Sentiment Analysis dengan algoritma Support Vector Machine dan Text Clustering dengan algoritma K-Medoids Clustering dilakukan dalam mengekstraksi informasi yang berguna dari data teks yang tidak terstruktur ke dalam klasifikasi aspek dan sentimen. Evaluasi performa klasifikasi memberikan hasil bahwa ulasan berbahasa Inggris menghasilkan nilai akurasi yang lebih tinggi dibandingkan ulasan berbahasa Indonesia. Penelitian ini juga menghasilkan gambaran topik pada setiap aspek dan sentimen dalam bentuk klaster-klaster yang memiliki nilai DBI mendekati nol. Penelitian ini menghasilkan analisis yang komprehensif yang dapat dijadikan konsiderasi perusahaan dalam meningkatkan produk dan layanannya.

---

With the rapid development of technology and high internet penetration among students, education has transformed from conventional learning to interactive learning, or usually known as daring education. Various mobile-based education technology applications had begun to emerge. However, offering service and product of education technology still remains a challenge in order to sustain and be accepted by the community, especially students. In this case, the company needs to know the quality of product and service they provide from the perspective of customers through customer reviews. This research conducts a multilingual Opinion Mining for Indonesian and English reviews from Google Play Store on four applications: Zenius, Quipper, Rumah Belajar, and Ruangguru. Two approaches are carried out, Aspect-Based Sentiment Analysis with Support Vector Machine Algorithm and Text Clustering with K-Medoids Clustering Algorithm in extracting useful information from unstructured text. The results of classification performance evaluation show that English reviews produced higher accuracy than Indonesian reviews. This research also depicts the topics discussed in each sentiment and aspect in the form of clusters which have DBI value close to zero. This research has produced a comprehensive analysis that can be used as a consideration for companies in improving their products and services."

"ABSTRAK

Klasifikasi sentimen merupakan salah satu cabang dari text mining. Klasifikasi sentimen dapat menjadi sesuatu yang penting dalam proses evaluasi terhadap sebuah topik permasalahan. Tujuan utama dari klasifikasi sentimen adalah untuk mencari tahu polaritas dari sentimen positif, negatif dan netral. Klasifikasi sentimen salah satunya dapat diperoleh melalui tweet yang ada pada Twitter. Dalam tulisan ini, tweet yang berhubungan dengan kata kunci yang dicari dihimpun dengan menggunakan tools yaitu API Twitter. Data yang didapat dari proses penghimpunan akan diolah dengan menggunakan Natural Language Toolkit yang berjalan diatas bahasa pemrograman Python. Data selanjutnya akan dilakukan klasifikasi sentimen dengan menggunakan Naive Bayes untuk melihat sentimen yang dihasilkan. Dari proses klasifikasi yang telah dilakukan akan diukur tingkat akurasi. Dari hasil uji coba sebanyak 3 kali, didapatkan tingkat akurasi pada percobaan pertama 64.95%, kedua 66.36% dan ketiga 66.79% Hasil lain yang didapatkan dari proses klasifikasi yaitu sentimen positif 28% sentimen negatif 20% dan sentimen netral 52%. Berdasarkan hasil persentase kelas sentimen, sentimen neutral merupakan sentimen yang paling banyak apabila dikaitkan dengan topik Presiden Joko Widodo dan pemerintahannya."

"Online reviews have a profound impact on the customer or newbie who want to purchase or consume the product via web 2.0 e-commerce. Online reviews contain features which form half of the analysis in opinion mining. Most of the today’s systems work on the summarization taking the average of the obtained features and their sentiments leading to structured review information. Often the context surrounding the feature is undermined which helps in clearly classifying the sentiment of the review. Web 3.0 based machine interpretable Resource Description Framework (RDF) also structures these unstructured reviews in the form of features and sentiments obtained from traditional preprocessing and extraction techniques with the context data also provided for future ontology based analysis taking support of Wordnet 2.1 lexical database for word sense disambiguation and Sentiwordnet 3.0 scores used for sentiment word extraction. Many popular RDF vocabularies are helpful in the creation of such machine process-able data. In the work to follow, this instance RDF forms the basis for creating/upgrading the (available) OWL Ontology that can be used as structured data model with rich semantics towards supervised machine learning generating sentiment categories and are validated for precise sentiments. These are sent back to the interface as corresponding {feature, sentiment} pair so that reviews are filtered clearly and helps in satisfying the feature set of the customer."

"Peranan ibu kota sangatlah vital, saat ini pemerintah kembali memutuskan pemindahan ibu kota karena Jakarta dianggap sudah tidak layak lagi menjadi ibu kota negara Republik Indonesia. Pemindahan ibu kota Indonesia nyatanya mengundang banyaknya opini pro dan kontra di kalangan masyarakat dan respon ini menarik untuk diteliti yaitu bagaimana pandangan masyarakat terhadap kebijakan pemerintah ini yang juga menggambarkan tingkat kepercayaan kepada pemerintah. Oleh karena itu, diperlukan sentiment analysis dengan classifier berbasis machine learning yang akurat dan menentukan algoritma yang terbaik. Data berupa tweets dikumpulkan dengan web scraping dan dilakukan pra-pemrosesan yang menghasilkan label data berupa polaritas dan kategori/aspek yang teridentifikasi. Model Machine Learning dengan algoritma Naive Bayes dan Support Vector Machine kemudian digunakan dalam klasifikasi polaritas kelas biner dengan fitur n-gram (urutan kata) dan optimasi heuristik yaitu Hyperparameter Tuning. Dari kombinasi fitur dan perlakuan optimasi, nilai MCC sebagai metrik evaluasi dibandingkan dan ditemukan bahwa Naive Bayes mengungguli Support Vector Machine dalam mengklasifikasi opini publik di media sosial Twitter khususnya mengenai pemindahan ibu kota.

---

The role of the capital city is very vital, at this time the government has again decided to move the capital city because Jakarta is considered no longer suitable as the capital city of the Republic of Indonesia. The relocation of Indonesia's capital city in fact invites many pro and contra opinions among the public and this response is interesting to study, namely how the public views this government policy which also describes the level of trust in the government. Therefore, sentiment analysis is needed with a machine learning-based classifier that is accurate and determines the best algorithm. Data in the form of tweets is collected by web scraping and pre-processed which produces data labels in the form of polarity and identified categories/aspects. Machine Learning model with Naive Bayes algorithm and Support Vector Machine is then used in the classification of binary class polarity with n-gram features (word order) and heuristic optimization, namely Hyperparameter Tuning. From the combination of features and optimization treatment, the MCC value as an evaluation metric was compared and it was found that Naive Bayes outperformed the Support Vector Machine in classifying public opinion on Twitter social media, especially regarding the relocation of the capital city."