Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Akibat efek dari pandemi COVID-19 yang terjadi di seluruh dunia, industri pariwisata banyak yang mengalami penurunan karena peraturan-peraturan dan upaya yang dilakukan untuk mengurangi penyebaran COVID-19, salah satunya adalah di Indonesia. Namun seiring berjalannya waktu, tempat tujuan pariwisata di Indonesia sudah mulai dibuka sesuai peraturan, misalnya Candi Borobudur. Media sosial dan internet dapat dijadikan sebagai sarana untuk mencari tahu tentang kondisi tujuan pariwisata. Tujuan dari penelitian ini adalah untuk menganalisis atribut-atribut destinasi pariwisata Candi Borobudur yang menjadi alasan wisatawan untuk memberikan ulasan di situs TripAdvisor pada periode 1 Januari 2021 hingga 30 Juni 2022. Data yang digunakan pada penelitian ini diambil dari situs TripAdvisor.com dengan metode text mining sebanyak 624 ulasan berbahasa Inggris. Atribut destinasi yang menjadi mayoritas topik pembicaraan dalam ulasan dengan penilaian positif adalah infrastructure serta physiography & climate. Sementara itu, atribut destinasi yang menjadi mayoritas topik pembicaraan dalam ulasan dengan penilaian negatif adalah infrastructure, cost/value, a mix of activity, dan quality of services. Selanjutnya hasil dari ulasan negatif tersebut dianalisis dan dibuat dalam diagram sebab-akibat untuk pemecahan masalah. ......Due to the effects of the COVID-19 pandemic that is happening all over the world, lots of tourism industry has experienced a decline due to regulations and efforts made to reduce the spread of COVID-19, one of which is in Indonesia. However, over time, tourism destinations in Indonesia have started to open, the Borobudur Temple for example. Social media and internet can be used as a media to gather informations about the tourism destinations. The purpose of this research is to analyze which destination attributes of Borobudur Temple that lead to tourists making review on TripAdvisor site on January 1st, 2021 to June 30th, 2022. The data were 624 reviews in English, taken from the TripAdvisor site using text mining. The majority of destination attributes being the topic of the positive reviews are infrastructure and physiography & climate. On the other hand, the majority of destination attributes being the topic of the negative reviews are infrastructure, cost/value, a mix of activity, and quality of service. Furthermore, the negative review results are made into the fishbone diagram for troubleshooting.

Abstrak :
Internet menjadi sarana komunikasi yang paling penting dalam kehidupan sehari-hari. Dengan perkembangan internet yang cukup pesat membuat sektor perhotelan mencari cara untuk memberikan informasi mengenai hotelnya dengan media situs internet. TripAdvisor merupakan salah satu situs yang berisi ulasan mengenai pariwisata di Indonesia maupun di dunia, salah satunya adalah mengulas sebuah hotel. Situs yang dimiliki TripAdvisor ini biasa disebut dengan Consumer Review Website (CRW) yang berartikan informasi elektronik yang menggunakan kata-kata orang lain sebagai informasi untuk rekomendasi hotel. TripAdvisor memiliki basis data 1001 hotel di Kota Bandung yang termasuk didalamnya terdapat indeks popularitas, alamat hotel, dan kelas hotel. Data ini didapatkan dari Application Program Interface (API) di situs TripAdvisor. Indeks popularitas diklasifikasikan menjadi tiga, yaitu klasifikasi rendah, klasifikasi sedang dan klasifikasi tinggi. Pengklasifikasian juga dilakukan pada kelas hotel yang dibagi menjadi 3 kelas yaitu hotel bintang 4-5, hotel bintang 1-3, dan hotel non bintang. Analisis yang digunakan adalah Nearest Neighbor Analysis (NNA) dan Kernel Density (KD). Dengan hasil tersebut didapatkan bahwa hotel di Kota Bandung memiliki pola yang mengelompok. Pengelompokan ini dikarenakan adanya pola yang mengikuti jaringan jalan dan faktor lain seperti kebijakan Pemerintah Kota Bandung. Selain itu, hotel berbintang dan non bintang berdasarkan indeks popularitas akan dipengaruhi oleh objek disekelilingnya dan aksesibilitasnya. Semakin rendah bintang dan popularitasnya maka semakin jauh dari titik fungsional serta akses yang rendah, dan sebaliknya. Selain itu, faktor pemasaran dan kebijakan pemerintah menjadi salah satu yang mempengaruhi indeks popularitas ......The internet is the most important of communication in everyday life. With the growing development of the internet, the hotel sector is looking for ways to provide information about their hotels using the internet as media. TripAdvisor is one site that contains reviews of tourism in Indonesia and in the world, one of which is reviewing a hotel. This site owned by TripAdvisor is commonly called the Consumer Review Website (CRW) which means electronic information that uses other people's words as information for hotel recommendations. TripAdvisor has a database of 1001 hotels in Bandung which includes a popularity index, hotel address, and hotel class. This data is obtained from the Application Program Interface (API) on the TripAdvisor website. The popularity index is classified into three categories, namely low classification, medium classification, and high classification. Classification is also carried out on hotel classes which are divided into 3 classes, namely 4 - 5 star hotels, 1-3 star hotels, and non-star hotels. The analysis used is Nearest Neighbor Analysis (NNA) and Kernel Density (KD). With these results, it is found that hotels in the city of Bandung have a clustered pattern. This grouping is due to a pattern that follows the road network and other factors such as Bandung City Government policies. In addition, star and non-star hotels based on the popularity index will be influenced by the surrounding objects and their accessibility. The lower the star and the popularity, the further away from the low functional and access point, and vice versa. In addition, marketing factors and government policies are among the factors affecting the popularity index

Abstrak :
Ulasan adalah opini seseorang yang ditulis mengenai pengalamannya terhadap suatu produk atau jasa. Ulasan umumnya ditulis pada platform media sosial atau marketplace. Seiring dengan berkembangnya teknologi internet dan produk yang dijual secara daring, ulasan sangat penting peranannya karena dapat memengaruhi keputusan seseorang dalam memutuskan pilihannya terhadap suatu produk/kegiatan/jasa. Penelitian ini berfokus untuk melakukan analisis sentimen berbasis aspek dan pemodelan topik pada destinasi pariwisata Indonesia yaitu Candi Borobudur dan Candi Prambanan. Analisis sentimen berbasis aspek dilakukan menggunakan lima pendekatan classical machine learning yaitu Naïve Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest, dan Extra Trees (ET) dengan menggunakan fitur unigram+bigram+trigram dan memanfaatkan kombinasi penggunaan data latih dan data uji, penggunaan penghapusan stopwords, penggunaan stemming dan emoji processing, dan penggunaan data latih yang di-over-sampling. Kinerja model dievaluasi dengan membandingkan skor F1 pada masing-masing hasil eksperimen untuk mengetahui skenario terbaik yang dapat digunakan untuk ulasan pada bidang pariwisata. Aspek yang digunakan pada penelitian ini yaitu ada enam aspek sesuai rekomendasi aspek dari World Tourism Organization (WTO) yaitu Daya Tarik, Amenitas, Aksesibilitas, Citra, Harga, dan Sumber Daya Manusia (SDM). Setelah melakukan analisis sentimen berbasis aspek, dilakukan pemodelan topik untuk mengetahui topik apa saja yang umum ditemukan pada setiap aspek pariwisata dan setiap polaritas sentimen ulasan. Metode yang digunakan dalam pemodelan topik adalah Latent Dirichlet Allocation (LDA) yang dievaluasi dengan coherence score. Data yang digunakan adalah ulasan pengguna Google Maps dan Tripadvisor. Hasil eksperimen menunjukkan bahwa model LR adalah model yang dapat memprediksi data dengan baik pada hampir semua skenario pada setiap aspek pada penelitian ini. Model LR mendapatkan skor tertinggi pada aspek Daya Tarik (Skenario 4) dengan skor 84,4%, Amenitas (Skenario 11) 84,2%, Aksesibilitas (Skenario 11) 89,1%, Citra (Skenario 3) 70%, dan SDM (Skenario 12) dengan 92,8%. Sementara itu, model DT dapat memprediksi data dengan baik pada aspek Harga (Skenario 6) dengan skor 91,3%. Dari hasil pemodelan topik, dapat direkomendasikan beberapa hal untuk perkembangan pariwisata di Candi Borobudur dan Candi Prambanan. ......Reviews are opinions written by someone about their experience of a product or service. Reviews can be written on social media platforms or marketplaces. Along with the development of internet technology and products sold online, reviews are very important because they can influence a person's decision in deciding their choice of a product/activity/service. This study focuses on conducting aspect-based sentiment analysis and topic modelling on Indonesia’s tourism destinations, which are Borobudur Temple and Prambanan Temple. Aspect-based sentiment analysis was done using five classical machine learning algorithms which are Naïve Bayes (NB), Logistic Regression (LR), Decision Tree (DT), Random Forest, and Extra Trees (ET) using the unigram+bigram+trigram feature and the application of combination of the use of training and test data, stopwords removal, the use of stemming and emoji processing, and the use of over-sampled training data. The performance of models was evaluated by comparing the F1-scores on each experimental result to find out the best scenario that can be used for reviews on tourism domain. The aspects used in this study are six aspects according to the recommendations of the World Tourism Organization (WTO) which are Attractions, Amenities, Accessibility, Image, Price, and Human Resources (HR). After conducting an aspect-based sentiment analysis, topic modelling was carried out to find out which topics were most widely found in each tourism aspect and each polarity sentiment review. The method used in topic modelling is Latent Dirichlet Allocation (LDA) and evaluated by its coherence score. The data used is Google Maps and Tripadvisor user reviews. The experimental results show that the LR model is a model that can predict the data well in almost all scenarios in every aspect of this study. The LR model achieved the highest score on Attractions (Scenario 4) with a score of 84,4%, Amenity (Scenario 11) 84,2%, Accessibility (Scenario 11) 89,1%, Image (Scenario 3) 70%, and SDM (Scenario 12) 92,8%. Meanwhile, the DT model can predict the data well on the Price aspect (Scenario 6) with a score of 91,3%. From the results of topic modelling, we recommend some approaches for the development of tourism in Borobudur Temple and Prambanan Temple.