Analisis sentimen ulasan pengunjung mengenai objek wisata di Nusa Tenggara Barat menggunakan metode SVM (studi kasus: Kabupaten/Kota Bima)

ABSTRAK:

Kabupaten/Kota Bima memiliki kekayaan alam yang melimpah di sektor pariwisata, namun pemanfatan data untuk strategi pengembangan dan eksposur masih belum optimal. Studi ini mengevaluasi persepsi wisatawan terhadap Pantai Lariti, Pantai Lawata, dan Gunung Tambora melalui analisis sentimen pada ulasan Google Maps. Pendekatan yang digunakan mengombinasikan algoritma Support Vector Machine (SVM) untuk klasifikasi, Synthetic Minority Over-sampling Technique (SMOTE) guna mengatasi ketidakseimbangan data, serta Latent Dirichlet Allocation (LDA) untuk memetakan topik pada ulasan negatif. Proses penelitian diawali dengan web scraping data selama satu dekade terakhir, yang kemudian diproses melalui tahapan cleaning, case folding, tokenizing, stopword removal, dan stemming. Pembobotan kata dilakukan dengan Term Frequency-Inverse Document Frequency (TF-IDF). Pengujian performa model menggunakan tiga variasi skenario pembagian data (90:10, 80:20, dan 70:30), di mana SVM dengan kernel linear pada rasio 90:10 memberikan hasil terbaik dengan akurasi 84,91%. Penggunaan SMOTE terbukti mampu mendongkrak sensitivitas model dalam mengidentifikasi sentimen negatif sebagai kelas minoritas. Analisis topik melalui LDA mengungkap bahwa ketidakpuasan pengunjung didominasi oleh isu kebersihan (pengelolaan sampah) dan aksesibilitas jalan menuju lokasi wisata. Secara manajerial, hasil ini merekomendasikan pemerintah daerah serta pengelola destinasi untuk fokus pada revitalisasi infrastruktur fisik dan peningkatan standar layanan kebersihan demi memperkuat daya saing pariwisata di wilayah Bima.

ABSTRACT:

Bima Regency/City boasts abundant natural resources in the tourism sector; however, data utilization for development and exposure strategies remains suboptimal. This study evaluates tourist perceptions of Lariti Beach, Lawata Beach, and Mount Tambora through sentiment analysis of reviews from Google Maps. The approach combines the Support Vector Machine (SVM) algorithm for classification, the Synthetic Minority Over-sampling Technique (SMOTE) to address data imbalance, and Latent Dirichlet Allocation (LDA) to map topics within negative reviews. The research process began with web scraping data from the past decade, which was then processed through stages of cleaning, case folding, tokenizing, stopword removal, and stemming. Word weighting was performed using Term Frequency-Inverse Document Frequency (TF-IDF). Model performance testing involved three variations of data-sharing scenarios (90:10, 80:20, and 70:30), where SVM with a linear kernel at a 90:10 ratio yielded the best results with an accuracy of 84.91%. The implementation of SMOTE was proven to increase the model's sensitivity in identifying negative sentiment as a minority class. Topic analysis using LDA revealed that visitor dissatisfaction was dominated by issues of cleanliness (waste management) and accessibility to tourist sites. From a managerial perspective, these results recommend that local governments and destination managers focus on revitalizing physical infrastructure and improving cleanliness service standards to strengthen tourism competitiveness in the Bima region

مستخلص البحث:

زخرمقاطعة/مدينةبيمامبواردطبيعيةوفريةيفقطاعالسياحة،إالأناستخدامالبياانتيفاسرتاتيجياتالتطويروالرتويج اليزالدوناملستوىاألمثل.تقيّمهذهالدراسةتصوراتالسياحعنشاطئالرييت،وشاطئالواات،وجبلاتمبورامنخاللحتليل املشاعريفالتقييمات.خرائطجوجليجمعالنهجاملستخدمبنياخلوارزمياآتلةاملتجهاتالداعمة(SVM)للتصنيف،تقنيةأخذالعينات الزائدةلألقليةاالصطناعية(SMOTE)ملعاجلةعدمتوازنالبياانت،ابإلضافةإلىتخصيصديريشليالكامن(LDA)لرسمخريطة للمواضيعاملتعلقةابلتقييماتالسلبية.تبدأعمليةالبحثبـاستخراجالبياانتمنمواقعالويبالبياانتعلىمدىالعقداملاضي،واليت متتمعاجلتهابعدذلكعبمراحاللتنظيف،طياحلاالت،تقسيمالكلماتإىلرموز،إزالةالكلماتاحملظورة،والتجريديتمحتديد وزنالكلماتبواسطةتردداملصطلح-تردداملستندالعكسي(TF-IDF).اختبارأداءالنموذجابستخدامثالثةسيناريوهاتخمتلفة كةملشارالبياانت(90:10،80:20،و70:30،)حيثSVMمعنواةخطيةحققتنسبة90:10أفضلالنتائجبدقةبلغت 84.91%.وقدثبتأناستخدامتقنيةSMOTEيزيدمنحساسيةالنموذجيفحتديداملشاعرالسلبيةكفئةأقلية.كشفوحتليل املواضيعابستخدامخوارزميةLDAأناستياءالزواركزيرتبشكلأساسيعلىقضاايالنظافة(إدارةالنفاايت)وسهولةالوصولإىل املواقعالسياحية.ومنمنظورإداري،توصيهذهالنتائجاحلكوماتاحملليةومديريالوجهاتالسياحيةكيزابلرتعلىإعادةتنشيطالبنية التحتيةاملاديةوحتسنيمعايريخدماتالنظافةلتعزيزالقدرةالتنافسيةللسياحةيفمنطقةبيم