p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 11, No 3. February 2023

Analisis Sentimen Berbasis Aspek Ulasan Pelanggan Hotel di Bali Menggunakan Metode Decision Tree

Ni Putu Ambalika Dewia1, Ngurah Agus Sanjaya ERa2, AAIN Eka Karyawatia3, Ida Bagus Made Mahendraa4, Ida Bagus Gede Dwidasmaraa5, I Gede Arta Wibawaa6

aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana

Bali, Indonesia

1[email protected]

2[email protected]

3[email protected]

4[email protected]

5[email protected]

6[email protected]

Abstract

The main means of tourism is the accommodation industry. Therefore, accommodation cannot be separated from the tourism industry because they both need each other. One of the accommodations that is most closely related to tourism is hospitality accommodation. With the increasing number of hotels in Bali, the hotel certainly needs the right marketing strategy. So, it is necessary to process customer reviews automatically to determine sentiment analysis based on customer reviews based on certain aspects. In this study, the author builds a model for aspect-based sentiment analysis using the Decision Tree method. The data used in this study is hotel customer review data in Indonesian language. Evaluation is done by measuring the performance of the Decision Tree model. The Decision Tree model for aspects produces performance, accuracy, precision, recall, and F1-Score, respectively 82,5%, 80%, 90,9%, and 85,1%, the Decision Tree model for service aspect sentiment produces accuracy, precision, recall performance , and F1-Score, respectively, which are 75%, 72,7%, 80%, and 76,2%, while the Decision Tree model for the sentiment of cleanliness aspect produces performance of accuracy, precision, recall, and F1-Score, respectively, which is 81,8%, 87,5%, 77,8%, and 82,4%.

Keywords: Decision Tree, Confusion Matrix, TF-IDF, Aspect-Based Sentiment Analysis, Review

  • 1.   Pendahuluan

Sektor pariwisata di Bali tidak dapat diragukan kemajuan dan popularitasnya. Pulau Bali mampu memikat jutaan wisatawan mancanegara ataupun domestik setiap tahunnya. Menurut data yang didapatkan dari https://kompas.com, pada tahun 2015, Bali menempati posisi kedua sebagai pulau dengan destinasi tujuan wisata terbaik setelah kepulauan Galapagos Ekuador. Sarana pokok kepariwisataan adalah industri akomodasi. Oleh karena itu, akomodasi sulit dipisahkan dengan industri pariwisata karena keduanya saling berkaitan. Salah satu akomodasi yang sangat erat kaitannya dengan pariwisata adalah akomodasi perhotelan. Pembangunan hotel-hotel di Bali semakin meningkat seiring dengan meningkatnya jumlah wisatawan yang berwisata ke Bali setiap tahunnya. Reservasi hotel juga semakin berkembang dengan adanya media-media digital berbasis internet yang memudahkan wisatawan untuk memesan kamar hotel tanpa perlu datang langsung ke hotel yang diinginkan. Beragamnya hotel yang ada di Bali membuat wisatawan cenderung melihat ulasan yang telah ditinggalkan oleh wisatawan sebelumnya untuk menentukan pilihan hotel yang mereka inginkan. Selain itu, harga juga menjadi faktor lain wisatawan dalam menentukan akomodasi hotel. Semakin banyaknya hotel yang ada di Bali, pihak hotel tentu membutuhkan strategi pemasaran yang tepat. Sehingga, diperlukan pengolahan ulasan pelanggan secara otomatis untuk menentukan analisis sentimen berdasarkan ulasan pelanggan berdasarkan aspek-aspek tertentu.

Sumber data yang umum digunakan untuk analisis sentimen adalah jaringan sosial yang menyimpan dan menyimpan banyak informasi. Media sosial amatlah penting sebagai sumber data yang

Analisis Sentimen Berbasis Aspek Ulasan Pelanggan Hotel di Bali Menggunakan Metode Decision Tree digunakan untuk analisis sentimen. Beberapa penelitian selanjutnya telah berkembang, dengan fokus pada pengembangan model terbaik untuk memperluas aplikasi analisis sentimen [8]. Pada penelitian sebelumnya, beberapa peneliti telah melakukan penelitian untuk memprediksi harga saham menggunakan metode Decision Tree dengan pembobotan TF-IDF dan TF-RF. Hasilnya menunjukkan bahwa penelitian yang dilakukan dengan TF-RF mendapatkan nilai F-Measure yang lebih besar dibandingkan dengan TF-IDF [1]. Pada penelitian lainnya, penulis melakukan penelitian untuk melihat karakteristik dari mahasiswa Universitas Cokroaminoto Palopo. Dalam penelitiannya, penulis menggunakan metode naive bayes dan metode pohon keputusan. Penelitian ini menggunakan variabel bebas. Dari penelitian yang dilakukan penulis, hasil analisis yang ditemukan oleh penulis merupakan hasil ketepatan dalam mengklasifikasi karakteristik pendaftar Universitas Cokroaminoto Palopo menggunakan metode Naïve Bayes sebesar 98,18% dan menggunakan metode Decision Tree sebesar 97,82% [2]. Dalam penelitian lain tentang klasifikasi berbasis machine learning

menggunakan metode decision tree, peneliti mengeksplorasi lebih lanjut tentang metode decision tree. Dari studi yang dilakukan, terlihat bahwa penggunaan dataset yang berbeda mempengaruhi hasil klasifikasi menggunakan metode decision tree [3].

Untuk iturrpada penelitian kali ini, penulis inginnmengetahui bahwa metode yang digunakan menghasilkan nilai akurasi, precision, recall dan f-1 score yang baik. Berdasarkan pemasalahan dan penelitian-penelitian sebelumnya yang menjadi dasar untuk penelitian ini, maka penulis bermaksud untuk melakukan penelitian terhadap performa dari metode Decision Tree dalam analisis sentiment berbasis aspek pada ulasan pelanggaan hotel di Bali dan diharapkan penelitian ini menunjukan hasil klasifikasi yang baik.

  • 2.    Metode Penelitianb

    2.1   Datasett

Data yang digunakan pada penelitian ini merupakan data dalam bentuk ulasan pelanggan hotel di Bali berbahasa Indonesia. Data berjumlah 800 dengan format file *.xlsx yang meliputi 200 data ulasan untuk aspek pelayanan bernilai positif, 200 data ulasan untuk aspek pelayanan bernilai negatif, 200 data ulasan untuk aspek kebersihan bernilai positif dan 200 data ulasan untuk aspek kebersihan bernilai negatif.. Seluruh data sudah dilabeli ahli. Data berita kemudian dibagi menjadi dua yaitu data latih dan data uji, dengan sebanyak 80% data latih dan 20% data uji. Data latih tersebut kemudian dibagi lagi menjadi data latih dan data validasi untuk digunakan dalam proses pelatihan model dengan menggunakan K-fold cross validation dengan K=10.

  • 2.2    Preprocessingh

Preprocessing adalah proses pengolahan data yang digunakan untuk membuat format yang lebih baik. Tahapan-tahapancpreprocessinggyanggdilakukan dalam penelitiannini adalah sebagai pada gambar berikut [4].

Gambar 1. Alur Preprocessing

Proses pertama pada preprocessing adalah case folding yang digunakan untuk mengubah semua huruf menjadi huruf kecil [5]. Setelah itu dilanjutkan dengan cleansing, pada proses ini akan dihapus karakter yang tidak memiliki kaitan terhadap analisis sentimen berbasis aspek, termasuk penghapusan tanda baca. Selanjutnya adalah tokenizing, yang digunakan untuk memisahkan kata dalam suatu paragraf atau kalimat menjadi token-token tertentu [5]. Selanjutnya filtering atau stopwords removal, yaituupenghapusannkata-kata yang tidak berpengaruh terhadap analisis sentimen berbasis aspek pada ulasan pelanggan [5]. Kemudian proses normalization yang berfungsi untuk mengubah dan mengembalikan bentuk penulisan tidak baku ke bentuk penulisan yang sesuai dengan KBBI. Proses terakhir merupakan stemming, yaitu proses ekstraksi kata-kata berimbuhan untuk mendapatkan kata dasar [5].

  • 2.3    TermrFrequency InverseeDocument Frequencyy (TF-IDF)))

Setelah melewati tahapan preprocessing, selanjutnya dilanjutkan dengan melakukan pembobotan dengan metode Term Frequency Inverse DocumenttFrequency. Pembobotan TF-IDFfdimulai dengan memasukkan data hasil preprocessing yang dikerjakan berulang hingga jumlah total seluruh kata. Proses selanjutnya dilakukan perhitungan term frequency yaitu menghitung frekuensi munculnya kata pada suatu dokumen [6]. Kemudian dilanjutkan dengan perhitungan document frequency untuk menghitung jumlah dokumen yang mengandung suatu kata tertentu. Selanjutnya diilanjutkan dengan perhitungan bobot inverse document frequency untuk menghitung distribusi kata pada koleksi dokumen dengan menggunakan persamaan (2) [6]. Terakhir, proses menghitung bobotbTF-IDF dilakukan dengan mengalikan nilai term frequency dan nilai inverse document frequency dengan menggunakan persamaan (3) [6]. Gambar berikut merupakan tahapan TF-IDF.

Gambar 2. TF-IDF

Dewi, dkk.

Analisis Sentimen Berbasis Aspek Ulasan Pelanggan Hotel di Bali Menggunakan Metode Decision Tree

  • a.    Menghitung termbfrequency dengan persamaan

tff= 0,5 + 0,5 x ——(1)

max(t∕)

  • c.    Menghitung bobot TF-IDF dengan persamaan

Wn,x =ttfn,xx idfn,x

Keterangan:

tff      : banyaknya kata yang sering muncul pada dokumen.

max(tf))f : jumlah kata atau term pada data yang sama yang sering bermunculan.

Nilai Dd : jumlah seluruh data yang digunakan dfxd     : banyaknya data yang mengandung kata x.

idff      : banyaknya data inverse.

nn       : data ke-n.

xx       : kata ke-x.

Wd,tt     : bobot TF-IDF dari data ke-n dan kata ke-x.

  • 2.4    Decision Tree

Decision tree atau bisa disebut analisis pohon keputusan adalah salah satu metode klasifikasi yang memanfaatkan teori graf dalam membagi kelompok data menjadi himpunan data. Decision tree secara visual mirip dengan sebuah pohon yang bercabang dengan ranting-rantingnya [7]. Data yang sudah melalui tahapan preprocessing dan pembobotan TF-IDF kemudian akan melalui tahap klasifikasi menggunakan metode Decision Tree untuk melakukan analisis sentiment berbasis aspek. Klasifikasi dilakukan dengan mengelompokkan data berupa ulasangan pelanggan yang telah di olah sebelumnya ke kelompok-kelompok aspek yang telah ditentukan. Tahap pertama yang dilakukan adalah menghitung nilai entropy yang akan digunakan untuk menghitung nilai gain. Hitung nilai gain, dan pilih atribut sebagai root berdasarkan nilai gain yang tertinggi. Buat cabang untuk masing-masing nilai gain kemudian temukan atribut terbaik dan split terbaik pada atribut. Selanjutnya lakukan pembagian data berdasarkan split, pohon akan bertumbuh dan kembali pada proses pembuatan cabang. Apabila sudah tidak terdapat cabang yang bisa dibuat maka proses telah selesai. Gambar 3 merupakan alur proses Decision Tree.

Tahapan-tahapan dari metode decision tree adalah sebagai berikut [1]:

  • a.    Hitung nilai entropyymenggunakan rumus berikut.

Entropy(S) = ∑n=l - pi log2pi                            (4)

b.


Keterangan:d

Ss     : Sekelompok data latih

nn      : Proporsi partisi pada S

pii      : Jumlah sampel pada kelas i


Hitung nilai gainnmenggunakan rumus berikut.


Gain(S,A) = Entropy(S) -


∑


n

i=l


∣7 x Entropy(Si)


(5)


Keterangan:

S      : Sekelompok data latih

A       : Atribut

n      : Pembagian total untuk seluruh atribut A

Si      : Pembagian total ke-i

  • c.    Tentukan atribut sebagai root

  • d.    Proses partisiaakan berhenti jikaakondisi berikut terpenuhi, yaitu:

  • -    Seluruh data yang ada pada atribut A mendapatkan kategori yang sama

  • -    Atribut yang ada dalam data sudah habis terbagi

  • -    Tidak ada data yang tersisa pada cabang yang kosong

Gambar 3. Decision Tree

Dewi, dkk.

Analisis Sentimen Berbasis Aspek Ulasan Pelanggan Hotel di Bali Menggunakan Metode Decision Tree

  • 2.5    Evaluasi

Evaluasi yang digunakan untuk menyelesaikan penelitian ini adalah confusion matrix yang dimaksudkan untuk menghitung akurasi, precision,xrecall danxF1-score. Evaluasi ditujukan untuk mengukur performa model terbaik yang sudah dipilih dari proses validasi. Ukuran evaluasi yang digunakan adalah akurasi, precision, recall, dan F1-Score, dan akurasi. Akurasi digunakan untuk mengevaluasi banyakya label prediksi yang sesuai dengan label aktual, dihitung menggunakan persamaan (6). Precision mengukur presentase dokumen bernilai positif benar di antara seluruh dokumen yang diidentifikasi positif, dihitung menggunakan persamaan (7). Recall mengukur presentase dokumen bernilai positif benar yang dapat diidentifikasikan di antara seluruh dokumen yang relevan, dihitung menggunakan persamaan (8). F1-Score adalah kombinasi hasil dari precision dan recall, dihitung menggunakan persamaan (9).

Tabel 1. ConfusionmMatrix

Data

Nilai Sesungguhnya

Relevan

Tidak Relevan

Retrived

TP

FP

Not Retrived

FN

TN

Keterangan:

TP (TruebPositive)     : Proyeksi data yang benar sepenuhnya benar

FN (FalsetNegative)    : Terdapat data yang salah pada proyeksi data yang benar

FP (FalsedPositive)    : Terdapat data yang benar pada proyeksi data yang salah

TN (TruebNegative)    : Proyeksi data yang salah sepenuhnya salah

Rumus berikut digunakan untuk menghitung akurasi, precision, recall dan F-1 score [1].

Akurasid

_     TP+TN                                       ...

(TP+FP+TN+FN)                                     ( )

Precisionn

= (TP+FP)                                                (7)

Recallll

=                                                (8)

(TP+FN)                                                   ' ,

F-1 Scoree

_ 2 x Precison x Recall                                    ,∩κ

(Precision+Recall)                                        ' '

  • 3.    Hasilsdan Pembahasan

Pada pengujian penelitian ini, metode Decision Tree diuji untuk dapat menghasilkan nilai akurasi, precision, recall dan F1-Score. Proses pelatihan dan validasi menggunakan metode K-Fold Cross Validation untuk dapat menghasilkan performa akurasi terbaik. Pengujian dilakukan untuk membuat tiga model yaitu model aspek, model sentimen aspek pelayanan dan model sentimen aspek kebersihan. Setelah melakukan pengujian dengan menggunakan 10 fold untuk membuat model aspek, didapatkan nilai akurasi rata-rata sebesar 85,8%, nilai precision rata-rata sebesar 87,6%, nilai recall rata-rata sebersar 86,8%, dan nilai F1-Score rata-rata sebesar 86,2%. Setelah melakukan pengujian dengan menggunakan 10 fold untuk membuat model sentimen aspek pelayanan, didapatkan nilai akurasi rata-rata sebesar 76,4%, nilai precision rata-rata sebesar 80,8%, nilai recall rata-rata sebersar 81,4%, dan nilai F1-Score rata-rata sebesar 75,5%. Setelah melakukan pengujian dengan menggunakan 10 fold untuk membuat model sentimen aspek kebersihan, didapatkan nilai akurasi rata-rata sebesar 85%, nilai precision rata-rata sebesar 86,7%, nilai recall rata-rata sebersar 87,4%, dan nilai F1-Score rata-rata sebesar 83,1%. Setelah didapatkan model terbaik, selanjutnya model akan digunakan pada proses pengujian data uji dengan menggunakan data baru yang belum digunakan pada saat proses pelatihan dan validasi. Gambar berikut merupakan rata-rata hasil pengujian Decision Tree pada ketiga model.

Hasil Pengujian Decision Tree

0.9

0.85

0.8

0.75

0.7

0.65

Akurasi         Precision          Recall          F1-Score

■ Aspek ■ Sentimen + Pelayanan ■ Sentimen + Kebersihan

  • Gambar 4. Hasil Pengujian Decision Tree

Setelah melakukan pengujian tehadap ketiga model dengan menggunakan data baru, hasil perbandingan performa model pada saat training dan testing dapat dilihat pada tabel .

Tabel 2. Hasil Pengujian Model

Model

Ukuran

Evaluasi

Pengujian

Training Validasi

Testing Data Baru

Aspek

Akurasi

0.858

0.825

Precision

0.876

0.8

Recall

0.868

0.909

F1-Score

0.862

0.851

Sentimen + Pelayanan

Akurasi

0.764

0.75

Precision

0.808

0.727

Recall

0.814

0.8

F1-Score

0.755

0.762

Sentimen +

Kebersihan

Akurasi

0.85

0.818

Precision

0.867

0.875

Recall

0.874

0.778

F1-Score

0.831

0.824

Pada Gambar dapat dilihat bahwa implementasi metode Decision Tree dalam analisis sentimen berbasis aspek menghasilkan nilai akurasi sebesar 82,5% pada model aspek, 75% pada model sentimen aspek pelayanan dan 81,8% pada model sentimen aspek kebersihan. Akurasi yang tinggi menunjukkan bahwa model dapat dengan baik mengklasifikasikan ulasan pelanggan ke dalam aspek pelayanan dan kebersihan serta mengklasifikasikan ulasan pelanggan ke sentimen positif dan negatif. Selanjutnya, perlu adanya ukuran evaluasi lain yang memperhitungkan kesalahan prediksi, yaitu precision, recall, dan F1-Score.

Analisis Sentimen Berbasis Aspek Ulasan Pelanggan Hotel di Bali Menggunakan Metode Decision Tree Nilai precision yang dihasilkan sebesar 80% pada model aspek, 72,7% pada model sentimen aspek pelayanan dan 87,5% pada model sentimen aspek kebersihan. Nilai precision yang tinggi menunjukkan bahwa model dapat dengan baik mengklasifikasikan aspek pelayanan ke dalam aspek pelayanan dan sentimen positif ke dalam sentimen positif, serta sedikit kesalahan prediksi aspek pelayanan ke dalam aspek kebersihan dan sentimen positif ke dalam sentimen negatif.

Nilai recall yang dihasilkan sebesar 90,9% pada model aspek, 80% pada model sentimen aspek pelayanan dan 77,8% pada model sentimen aspek kebersihan. Nilai recall yang tinggi menunjukkan bahwa model dapat dengan baik mengklasifikasikan mengklasifikasikan aspek pelayanan ke dalam aspek pelayanan dan sentimen positif ke dalam sentimen positif, serta sedikit kesalahan prediksi aspek kebersihan ke dalam aspek pelayanan dan sentimen negatif ke dalam sentimen positif.

Nilai F1-Score yang dihasilkan sebesar 85,1% pada model aspek, 76,2% pada model sentimen aspek pelayanan dan 82,4% pada model sentimen aspek kebersihan. Nilai F1-Score digunakan untuk melihat keseimbangan antara precision dan recall, sehingga nilai ini bisa digunakan juga sebagai ukuran evaluasi sebuah model selain menggunakan akurasi.

Hasil Pengujian Model Terbaik


Precision


Recall


F1-Score


  • ■ Aspek ■ Sentimen + Pelayanan ■ Setimen + Kebersihan

  • Gambar 5. Hasil Pengujian Model Terbaik

  • 4.    Kesimpulan

Berdasarkanbpenelitian yang telahhidilakukan, ditarik kesimpulan bahwa implementasi metode Decision Tree dalam analisis sentimen berbasis aspek pada ulasan pelanggan dengan menggunakan K-Fold Cross Validation menghasilkan tiga model terbaik. Pada pengujian data baru, model Decision Tree untuk aspek menghasilkan performa akurasi,pprecision, recall,ddan F1-Score secara berturut-turut yaitu 82,5%, 80%, 90,9%, dan 85,1%. Pada pengujian model Decision Tree untuk sentimen aspek pelayanan menghasilkan performa akurasi,pprecision, recall,ddan F1-Score secara berturut-turut yaitu 75%, 72,7%, 80%, dan 76,2%. Pada pengujian model Decision Tree untuk sentimen aspek kebersihan menghasilkan performa akurasi,pprecision, recall,ddan F1-Score secara berturut-turut yaitu 81,8%, 87,5%, 77,8%, dan 82,4%.

Daftar Pustaka

  • [1]    M. G. TambunanbandbE. B. Setiawan,p"Prediksi KepribadiannDISC padabTwitter Menggunakan MetodediDecision Tree C4.5 dengan Pembobotan TF-IDFgiidan TF-RF," e-Proceedingfiiof Engineering. Vol. 7, No. 1, pageb2725-2738, 2020

  • [2]    Y. Hastuti,b"Klasifikasi KarakteristikbMahasiswa Universitas Cokroaminoto PalopobMenggunakan Metode Naïve Bayesbdan Decision Tree,"jJurnalaDinamika. Vol. 7, No.2, pagee34-41, 2016

  • [3]    B. T. Jijooand A.M.aAbdulazeez, “ClassificationxBased onbDecision Tree AlgorithmxformMachine Learning,” Journalaof ApplieddScience andbTechnology Trends, vol. 2,nno. 1, page 20–28, 2021

  • [4]    E. Supriyantixand M.qIqbal, “PengukuranhSimilaritycTema pada Juzk30 Al Qur’anbMenggunakan TekssKlasifikasi,” JurnaluSIMETRIS, Vol. 9, No. 1, page. 361–370,o2018

  • [5]    K. D.yY. WijayaaandaA.A.I.N.E.eKaryawati, "The Effectssof DifferentkKernels in SVMmSentiment Analysisoon MasssSocial Distancing,"kJELIKU, vol. 9, no.o2, page 161-168, Nov. 2020

  • [6]    I. W. Santiyasa, G. P. A. Brahmantha, I. W. Supriana, I. G. G. A. Kadyanan, I. K. G. Suhartana, and I. B. M.nMahendra, “Identificationnof Hoax Basedoon Text MininggUsing K-Nearest Neighbor Method,” JELIKUu(JurnalbElektron. Ilmu Komput. Udayana), vol. 10, no. 2, page 217–226, 2021

  • [7]    C. Z. Janikow, "Fuzzy decision trees: issues and methods, " IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). Vol. 28, No. 1, page 1–14, 1998

  • [8]    N. C.hDang, M. N.nMoreno-García,aand F. DeelaaPrieta, “SentimenttAnalysissBased onnDeep Learning: AaComparative Study,”eElectronics, vol. 9,nno. 3, page 483, Mar.r2020.

    This page is intentionally left blank.


    Dewi, dkk.

    Analisis Sentimen Berbasis Aspek Ulasan Pelanggan Hotel di Bali Menggunakan Metode Decision Tree


634