Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : eProceedings of Engineering

Analisis Sentimen Terhadap Tempat Wisata Berdasarkanulasan Pada Google Maps Menggunakan Algoritma Naïve Bayes Classifier Dan Support Vector Machine (Studi Kasus: Kabupaten Brebes) Teguh Ramadhani, Dimas; Wijayanto, Sena; Agung Prabowo, Dedy
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Berwisata adalah salah satu kegiatan rekreasi yang populer di kalangan masyarakat untuk melepas penat dan menikmati keindahan alam atau budaya setempat. Kabupaten Brebes, terbesar ketiga di Jawa Tengah setelah Grobogan, namun menempati urutan terakhir dalam jumlah kunjunganwisatawan pada tahun 2022 menurut data Badan Pusat Statistik (BPS) Jawa Tengah. Kondisi ini mendorong perlunya analisis lebih lanjut mengenai sentimen pengunjung terhadap tempatwisata di Brebes untuk memahami persepsi publik. Penelitian ini bertujuan mengklasifikasikan sentimen pengunjung dari Google Maps dan membandingkan kinerja algoritma Naïve Bayes (NB) dengan Support Vector Machine (SVM). Dari 6734 data ulasan yang dianalisis menggunakan fitur TF-IDF, SVM menunjukkan performa yang lebih unggul dengan akurasi 87%, melampaui Naïve Bayes dengan 86%. Pada pengujian lebih lanjut, SVM menghasilkan nilai precision sebesar 0.69,recall 0.24, dan f1-score 0.36 untuk sentimen negatif, serta precision 0.88, recall 0.98, dan f1-score 0.93 untuk sentimen positif. Sementara itu, Naïve Bayes menghasilkan precision 0.86, recall 0.05, dan f1-score 0.10 untuk sentimen negatif, serta precision 0.86, recall 1.00, dan f1-score 0.92 untuk sentimen positif. Hal ini menunjukkan bahwa SVM tidak hanya lebih akurat secara keseluruhan, tetapi juga lebih seimbang dalam mengenali kedua kelas sentimen, terutama dalam mendeteksiulasan negatif yang sangat penting sebagai masukan bagi pengembangan sektor pariwisata.Kata kunci— analisis sentimen, brebes, naïve bayes, support vector machine, wisata
Klasifikasi Tingkat Urgensi Pengaduan Masyarakat Menggunakan Long Short-Term Memory (Lstm) (Studi Kasus: Website Lapak Aduan Banyumas) Fauzian Setiawan, Kelvin; Paradise; Agung Prabowo, Dedy
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penggunaan website pengaduan masyarakatsudah diterapkan di berbagai daerah, termasuk Lapak AduanBanyumas milik Pemerintah Kabupaten Banyumas. Website inimemfasilitasi masyarakat untuk menyampaikan informasi,keluhan, pertanyaan, dan usulan terkait pelayanan daerah.Peningkatan jumlah aduan pada Desember 2023 (950 aduan)dan Januari 2024 (1.032 aduan) memperlambat prosespenanganan, dan tanpa sistem skala prioritas penangananmenjadi tidak tepat sasaran. Penelitian ini bertujuan untukmengimplementasikan sistem klasifikasi tingkat urgensipengaduan masyarakat menggunakan metode Long Short-TermMemory (LSTM). Pada website Lapak Aduan Banyumas,pengaduan yang masuk diklasifikasikan ke dalam kategori“Urgent” berlaku jika kondisinya sangat memprihatinkan danberdampak serius dan “Not Urgent” berlaku jika kondisinyaserius tetapi tidak memerlukan penanganan segera. Penelitianini menggunakan data yang diambil dari website Lapak AduanBanyumas, terdiri dari 19.240 data pengaduan selama periode2 Januari 2024 hingga 27 April 2025. Proses penelitian meliputitahapan Preprocessing Data, Pelabelan Data, FeatureExtraction, Pembuatan Model Klasifikasi, dan Deployment.Berdasarkan hasil penelitian, model berhasilmengklasifikasikan pengaduan ke dalam dua kategori denganrata-rata akurasi sebesar 99.51%. Nilai precision, recall, danF1-score juga tinggi dan seimbang di kedua kategori, yaitu 0,99untuk Urgent maupun Not Urgent. Macro dan weighted averagesebesar 0.99 menunjukkan bahwa model mampu menanganikedua kategori dengan sangat konsisten.Kata kunci — Lapak Aduan Banyumas, Pengaduan, LSTM,Urgent, Not Urgent