Klasifikasi ulasan pengguna aplikasi pemesanan tiket travel online menggunakan Metode Multinomial Naïve Nayes

INDONESIA:

Perkembangan teknologi yang pesat telah membawa perubahan dalam berbagai aspek kehidupan, termasuk dalam sektor pariwisata. Aplikasi tiket travel online seperti Traveloka, pegipegi dan Tiket.com merupakan aplikasi travel yang sangat populer di Indonesia. penelitian ini bertujuan untuk mengukur performa dari metode Multinomial Naïve Bayes dalam mengklasifikasikan ulasan pengguna aplikasi tersebut menjadi kelas “satisfied” dan “unhappy”. Dataset berjumlah 1339 ulasan pengguna yang diambil dari Google Play Store. Uji coba dilakukan dengan tiga skenario rasio pembagian dataset (7:3, 8:2, 9:1) dan dievaluasi menggunakan confusion matrix dan K-Fold Cross Validation. Hasil uji coba menunjukkan skenario pembagian data 9:1 menghasilkan akurasi model tertinggi sebesar 81.34% dengan precision 81.47%, recall 81.44% dan F1-Score 81.34%. Analisa kata menggunakan TF-IDF menunjukkan bahwa kata-kata seperti “good”, “nice” dan “nice” mendominasi pada kelas “satisfied”, sedangkan kata seperti “price”, “cant”, dan “app” merupakan 3 kata yang paling mendominasi pada kelas “unhappy”. Dapat disimpulkan bahwa metode Multinomial Naïve Bayes memiliki performa yang baik untuk klasifikasi ulasan pengguna aplikasi travel online, dan semakin banyak dataset yang digunakan makan semakin bagus pula model yang dihasilkan.

ENGLISH:

The rapid development of technology has brought changes in various aspects of life, including in the tourism sector. Online travel ticket applications such as Traveloka, pegipegi and Tiket.com are very popular travel applications in Indonesia. This research aims to measure the performance of the Multinomial Naïve Bayes method in classifying user reviews of these applications into “satisfied” and “unhappy” classes. The dataset amounted to 1339 user reviews taken from the Google Play Store. Three scenarios of dataset sharing ratio (7:3, 8:2, 9:1) were tested and evaluated using confusion matrix and K-Fold Cross Validation. The test results show that the 9:1 data sharing scenario produces the highest model accuracy of 81.34% with precision 81.47%, recall 81.44% and F1-Score 81.34%. Word analysis using TF-IDF shows that words like “good”, “nice” and “nice” dominate in the “satisfied” class, while words like “price”, “cant”, and “app” are the 3 most dominating words in the “unhappy” class. It can be concluded that the Multinomial Naïve Bayes method has good performance for the classification of online travel application user reviews, and the more datasets used, the better the resulting model.

ARABIC:

أحدث التطور السريع للتكنولوجيا تغييرات في مختلف جوانب الحياة، بما في ذلك قطاع السياحة. تُعد تطبيقات حجز تذاكر السفر عبر الإنترنت مثل Traveloka وPegipegi وTiket.com من تطبيقات السفر الشائعة جدًا في إندونيسيا. تهدف هذه الدراسة إلى قياس أداء طريقة "باييه الساذج متعدد الحدود" في تصنيف مراجعات المستخدمين لهذه التطبيقات إلى فئتين "راضٍ" و"غير راضٍ". بلغ إجمالي مجموعة البيانات 1339 تقييم مستخدم مأخوذة من متجر جوجل بلاي. أُجريت التجارب باستخدام ثلاثة سيناريوهات لنسب مشاركة مجموعة البيانات (7:3، 8:2، 9:1) وتم تقييمها باستخدام مصفوفة الخلط والتحقق المتقاطع K-Fold Cross Validation. تُظهر نتائج الاختبار أن سيناريو مشاركة البيانات بنسبة 9:1 ينتج أعلى دقة للنموذج بنسبة 81.34% مع دقة 81.47% واسترجاع 81.44% ودرجة F1 بنسبة 81.34%. يُظهر تحليل الكلمات باستخدام TF-IDF أن كلمات مثل "جيد" و"لطيف" و"لطيف" تهيمن على فئة "راضٍ"، بينما كلمات مثل "السعر" و"غير قادر" و"التطبيق" هي الكلمات الثلاث الأكثر هيمنة في فئة "غير راضٍ". يمكن استنتاج أن طريقة "ساذج متعدد الحدود" (Multinomial Naïve Bayes) تتمتع بأداء جيد لتصنيف مراجعات مستخدمي تطبيقات السفر عبر الإنترنت، وكلما زاد عدد مجموعات البيانات المستخدمة، كان النموذج الناتج أفضل