Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
Wibowo, Anita Carolina
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Pengembangan Model Long Short-Term Memory Pada Analisis Sentimen Ulasan Hotel Wibowo, Anita Carolina; Vihi Atina; Hanifah Permatasari
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 4 No. 5 (2025): EDISI SEPTEMBER 2025
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v4i5.11695

Abstract

Sektor pariwisata di Indonesia memiliki potensi pengembangan yang signifikan karena kemampuannya untuk menciptakan peluang kerja dan meningkatkan pendapatan. Dalam industri perhotelan, persaingan yang ketat berarti bisnis harus terus mengevaluasi kinerja mereka, termasuk melalui ulasan tamu hotel. Analisis sentimen termasuk salah satu teknik Natural Languange Processing (NLP) yang menganalisis opini, sikap, dan emosi yang diekspresikan dalam teks. Teknik ini membantu mengidentifikasi kepuasan pelanggan dan mendukung pengambilan keputusan bisnis. Beberapa penelitian telah menggunakan berbagai metode untuk analisis sentimen ulasan hotel, termasuk Support Vector Machine (SVM), BERT dan Long Short-Term Memory (LSTM), dengan tingkat akurasi yang berbeda-beda. Meskipun BERT mencapai akurasi tertinggi, metode ini juga membutuhkan sumber daya komputasi yang besar. LSTM, di sisi lain, dapat menangkap pola temporal dan ketergantungan jangka panjang dengan biaya komputasi yang lebih rendah. Penelitian yang dilakukan di PT Global Data Inspirasi ini berfokus pada analisis sentimen ulasan hotel dari Y Group, yang mengoperasikan hotel-hotel di berbagai wilayah di Indonesia. LSTM dipilih karena kemampuannya untuk memproses data berurutan secara efisien. Model yang dikembangkan mencapai akurasi 86,79%, presisi 71,63%, recall 76,25%, dan F1-Score 72,24%. Temuan ini menunjukkan bahwa performa model lebih unggul dibandingkan dengan penelitian sebelumnya yang memanfaatkan LSTM. Hasil ini menunjukkan potensi model ini dalam mendukung strategi bisnis melalui analisis sentimen yang efektif.
Co-Authors Atina, Vihi Permatasari, Hanifah