<![CDATA[Analisis sentimen merupakan alat penting dalam industri pariwisata untuk memahami respon dan pengalaman tamu terhadap layanan hotel, di mana ulasan tamu sebelumnya berperan krusial dalam membentuk persepsi calon tamu terhadap kualitas fasilitas dan daya tarik hotel. Tantangan utama dalam analisis sentimen adalah memilih fitur yang paling relevan untuk meningkatkan kinerja model prediksi, karena tidak semua kata atau fitur dalam ulasan memiliki kontribusi signifikan dalam membedakan sentimen positif dan negatif. Dalam konteks ini, metode Recursive Feature Elimination (RFE) memiliki potensi untuk mengoptimalkan pemilihan fitur dengan mengeliminasi fitur yang kurang informatif, sehingga dapat meningkatkan akurasi model Logistic Regression dan Support Vector Machine (SVM). Penelitian ini fokus pada pengaruh penerapan RFE terhadap kinerja kedua model tersebut dalam analisis sentimen ulasan tamu di Hotel Shangri-La Surabaya, dengan data sebanyak 3719 ulasan. Hasil pengujian menunjukkan bahwa pada model Logistic Regression yang menggunakan RFE, terdapat peningkatan performa yang signifikan dalam presisi, sensitivitas, F1 Score, dan akurasi, dengan rata-rata peningkatan sebesar 9%. Pada model SVM, peningkatan performa bahkan lebih signifikan dengan rata-rata peningkatan sebesar 14%, yang menunjukkan bahwa penerapan RFE secara efektif meningkatkan kualitas prediksi kedua model dalam konteks analisis sentimen ulasan hotel.]]>
Copyrights © 2024
