Implementasi Metode Lexicon dan Support Vector Machine Untuk Analisis Emosi dan Persepsi Ulasan Pengunjung Museum

FAYZA APRILIZA

Informasi Umum

Kode

25.04.7281

Klasifikasi

518.1 - Algorithms

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Vector Analysis

Dilihat

268 kali

Informasi Lainnya

Abstraksi

Pariwisata mengalami tantangan signifikan selama pandemi Covid-19 yang menyebabkan penurunan Produk Domestik Bruto (PDB) pariwisata sebesar 56% di tahun 2020. Dalam upaya memulihkan sektor pariwisata, strategi efektif diperlukan, salah satunya melalui promosi wisata museum. Wisata museum, khususnya kegiatan museum date semakin populer di kalangan generasi milenial. Museum date adalah kegiatan melihat koleksi museum dan mengambil foto atau video. Banyak pengunjung memberikan ulasan di Google Maps tetapi data tersebut masih jarang dimanfaatkan. Data ulasan tersebut memiliki informasi terkait pengalaman pengunjung museum. Penelitian ini bertujuan untuk mengidentifikasi emosi dan persepsi pengunjung museum di DKI Jakarta berdasarkan ulasan di Google Maps. Metode NRC Emolex dan Support Vector Machine (SVM) digunakan pada penelitian ini. Hasil analisis menunjukkan lima objek museum memiliki persentase emosi trust (21,88%), joy (20,92%), anticipation (18,52%), dan surprise (10,96%) lebih tinggi dibandingkan dengan persentase emosi sadness (9,78%), fear (7,6%), disgust (5,24%), dan anger (5,14%). Analisis persepsi berdasarkan keyword dominan di wordcloud menggambarkan keberagaman fokus dan pendekatan objek museum. Jakarta History Museum memunculkan keyword "bagus", "bersih", dan "ramai". Museum Nasional memunculkan keyword "bagus", "bersih", dan "anak". Museum Bank Indonesia memunculkan keyword "bagus", "menarik", dan "nyaman". Museum MACAN memunculkan keyword "bagus", "seni", dan "foto". Museum Wayang memunculkan keyword "bagus", "anak", dan "menarik". Model SVM yang mengenali 8 emosi dan data yang di-sampling menggunakan SMOTE serta seleksi fitur menghasilkan akurasi 83,3%, presisi 79,7%, recall 59,47%, dan F1-Score 66,21%. Meskipun akurasi tinggi dengan 79,7% tepat, model menunjukkan nilai F1-Score rendah yang mengindikasikan model belum mampu menemukan pola data dengan baik, terutama ditunjukkan dengan recall rendah. Kata kunci: SVM, Metode Lexicon, Analisis Emosi dan Persepsi, Museum, Pemodelan Teks