Jepin: Pada Google Maps Menggunakan Metode
Jepin: Pada Google Maps Menggunakan Metode
7
No. 3
(Jurnal Edukasi dan Penelitian Informatika) Desember
ISSN(e): 2548-9364 / ISSN(p) : 2460-0741 2021
3dianprawira@sisfo.untan.ac.id
*
Program Studi Informatika, Fakultas Teknik, Universitas Tanjungpura
Jl. Prof. Dr. H. Hadari Nawawi, Pontianak
2hs@untan.ac.id
Abstrak— Kalimantan Barat merupakan salah satu provinsi Saat ini keterbukaan informasi publik dapat terwujud
di Indonesia yang pariwisatanya berpotensi untuk berkat perkembangan ilmu pengetahuan dan teknologi.
dikembangkan. Oleh karena itu, feedback dari wisatawan Salah satu contohnya adalah jasa peta daring yang
dibutuhkan untuk mengambil tindakan terkait mempunyai fitur untuk merencanakan sebuah rute serta
pengembangan kualitas objek wisata Kalimantan Barat agar
lebih optimal. Penelitian ini bertujuan untuk membangun
mencari sebuah alamat atau yang dikenal dengan Google
sistem yang dapat melakukan sentiment analysis terhadap Maps. Di pertengahan tahun 2016 Google menambahkan
objek wisata di Kalimantan Barat berdasarkan data ulasan fitur yang memungkinkan penggunanya untuk memberikan
yang ada di Google Maps. Metodologi yang digunakan dalam rating serta menambahkan ulasan pada tempat yang
penelitian ini adalah kerangka kerja IS Research Alan dikunjunginya [1].
Hevner. Dalam melakukan riset sentiment analysis objek Dari hasil pengamatan yang telah dilakukan, banyak
wisata Kalimantan Barat, metode yang digunakan untuk pengunjung objek wisata Kalimantan Barat sudah
klasifikasi adalah Naïve Bayes. Sebelum melakukan memberikan ulasannya di Google Maps. Hal ini menjadi
klasifikasi, dilakukan tahap pre-processing yang terdiri dari informasi yang berharga untuk meningkatkan kualitas
casefolding, tokenizing, filtering, stemming, dan tahap
pariwisata Kalimantan Barat. Dengan ulasan tersebut kita
pembobotan kata menggunakan TF-IDF. Berdasarkan
penelitian yang dilakukan, disimpulkan bahwa sistem dapat bisa melakukan analisa untuk menemukan sentimen apa
mengklasifikasikan kelas sentimen ulasan objek wisata yang yang diberikan oleh pengunjung.
terdapat pada Google Maps menggunakan metode Naive Sentiment Analysis juga akrab dikenal sebagai opinion
Bayes dengan nilai akurasi yang bervariasi dari setiap tempat mining, merupakan sebuah area penelitian yang
wisata. Nilai akurasi tertinggi adalah 0,76 sedangkan menganalisis opini publik, emosi, .penilaian,..sikap,..dan
terendah adalah 0,38. Hasil sentimen analisis yang dilakukan sentimen tentang .suatu, objek .seperti, organisasi,..produk,.
pada objek wisata Kalimantan Barat masuk dalam kategori layanan,..individu,. peristiwa, masalah,..dan..topik [2].
yang positif. Hal ini berdasarkan performa metode Naive Untuk melakukan sentiment analysis diperlukan sebuah
Bayes yang menunjukan bahwa nilai rata-rata f1-score kelas
positif adalah 0,73 lebih tinggi dibanding kelas netral 0,53 dan
metode, salah satuya Naïve Bayes. Dalam metode ini
negatif 0.14 klasifikasi dilakukan dengan menghitung probabilitas.
Naive Bayes..memiliki, keunggulan..dalam, efisiensi..dan
kesederhanaan pada pengklasifikasian teks, terutama
Kata kunci— Sentiment Analysis, Naive Bayes, Pre- dalam penerapan pada aplikasi praktis secara langsung
Processing, TF-IDF seperti membagi kategori berita atau menyaring spam [3].
I. PENDAHULUAN Dengan Sentiment Analysis, kita akan mendapatkan
feedback yang cepat dari wisatawan dengan memanfaatkan
Kalimantan Barat memiliki sektor pariwisata yang ulasan yang telah mereka berikan sehingga stakeholder
berpotensi untuk dikembangkan. Namun kurangnya yang terlibat dapat mengambil tindakan langkah apa yang
promosi serta keterbukaan informasi terkait kualitas objek harus dilakukan kedepannya agar kualitas pariwisata di
wisata di Kalimantan Barat menjadikan perkembangan Kalimantan Barat dapat lebih berkembang secara optimal.
objek wisata di Kalimantan Barat belum maksimal. Terdapat beberapa kajian penelitian terdahulu yang
dianggap relevan dengan tema..penelitian...ini. Adapun
beberapa diantaranya penelitian [4] meningkatkan akurasi tempat wisata, dan pemerintah. Lalu dalam proses
pada sistem klasifikasi pesan pengaduan RSUD organisasi yang menjadi target tujuan adalah pelayanan,
Majalengka dari 75% berdasarkan kelas bidang menjadi aksesibilitas, infrastruktur, serta akomodasi. Dan teknologi
90% dan 75% berdasarkan kelas sentimen menjadi 100%. yang menjadi target tujuan adalah Google Maps.
Kemudian penelitian [5] menggunakan metode..naive
bayes., classifier.dengan.pengujian 10-fold cross validation B. Riset Sistem Informasi
menunjukkan akurasi sebesar 96,5% untuk Lazada, 93,9 % Untuk melakukan sentimen analisis dimulai dengan
untuk Bukalapak dan 90,3% untuk Bibli.com Lalu crawling data dari Google Maps menggunakan Google
penelitian [6] dengan menggunakan metode Multinominal Maps API. Untuk menggunakan Google Maps API
Naive Bayes dengan k-fold cross validation menghasilkan diperlukan sebuah kode unik yang sudah diberikan oleh
akurasi sebesar 71.60%, 70.72% dan 70,68%. Kemudian Google. Kode tersebut secara umum dikenal dengan API
penelitian [7] penggunaan dataset 20% data uji dan 80% Key. API key digunakan agar sebuah website dapat
data latih pada pengujian 5 kelas menghasilkan nilai dikenali oleh server Google Maps. [9].
akurasi terendah 52,66%. Sedangkan penggunaan dataset Kemudian dilakukan text pre–processing meliputi case
10% data uji dan 90% data latih pada pengujian 3 kelas folding, tokenizing, filtering, dan stemming. Text pre-
menghasilkan akurasi tertinggi sebesar 77.78%. processing dilakukan agar suatu teks menjadi terstruktur
Selanjutnya penelitian [8] melakukan analisis sentimen dari sebelumnya [5].
terkait tempat wisata..di..Tegal..dan..sekitarnya. Penelitian Setelah itu dilakukan pembobotan kata dengan TF-IDF.
tersebut menunjukkan perbandingan akurasi Decision Tree TF-IDF merupakan.sebuah.metode.yang.digunakan.untuk
lebih rendah dari Naïve Bayes dengan nilai 60,83% pembobotan kata (term weighting) dengan menghitung
berbanding 77,50%. jumlah kemunculan setiap kata dalam suatu dokumen(TF),
dan menghitung jumlah kemunculan kata dalam seluruh
II. METODE dokumen (IDF) [10].
Penelitian ini memiliki perencanaan sistematis dan 𝑁
𝑖𝑑𝑓𝑡 = 𝑙𝑛 ( ) + 1 (1)
ilmiah yang mengadopsi model kerangka kerja IS Research 𝑑𝑓𝑡
Alan Hevner. Metode penelitian tersebut diilustrasikan Keterangan :
pada Gambar 1 yang menunjukkan proses penelitian secara 𝑖𝑑𝑓𝑡 = Nilai Invers document frequency
umum. 𝑁 = Jumlah keseluruhan dokumen
𝑑𝑓𝑡 = Jumlah dokumen yang kata t
salah satunya adalah supervised learning [11]. Setiap 1) Use Case Diagram: Interaksi fungsi-fungsi di dalam
kolom dari matriks merepresentasikan prediksi dari setiap sistem dengan aktor digambarkan dalam use case diagram
kelas atau predicted class, sementara setiap baris [15]. Use case diagram dari SAWi dapat dilihat pada
merepresentasikan kelas sebenarnya actual class [12] (lihat Gambar 2.
Tabel 1).
TABEL I
CONFUSION MATRIX
Prediction Class
Positve Negative
Actual Positive TP FN
Class Negative FP TN
oleh sistem. Sedangkan aktor admin dapat mengakses gambar 4 merupakan salah satu contoh dari sequence
sistem secara penuh sebagai pengelola sistem untuk diagram yang terdapat pada Sistem Informasi Sentimen
mengolah informasi sentimen tempat wisata, deng halaman Analisis Objek Wisata Kal-Bar.
menu yang ditampilkan oleh sistem.
4) Class Diagram: Dalam sebuah sistem hubungan
3) Squence Diagram: Sequence Diagram adalah suatu antar kelas digambarkan dengan class diagram [15]. Pada
diagram yang menjelaskan perilaku objek pada use case gambar 5 sistem ini terdapat 6 controller, yaitu dashboard,
dan menunjukkan komunikasi antara objek-objek tersebut data latih, user, tempat, ulasan, dan tfidf.
[15]. Sequence.diagram mengimpor data tempat pada
Gambar 5. Class.Diagram
C. Implementasi.Antarmuka
Hasil rancangan antarmuka yang telah dibuat
diterapkan ke dalam sistem. Berikut ini adalah penerapan
implementasi antarmuka pada sistem :
B. Perancangan Antarmuka
Perancangan antarmuka berhubungan dengan tampilan
dan interaksi yang akan mempermudah pengguna dalam
penggunaan sistem. Adapun perancangan antarmuka yang
akan dibangun pada sistem ini adalah sebagai berikut:
E. Pengujian Fungsionalitas
Tabel 3 merupakan hasil pengujian fungsionalits sistem menggunakan teknik blackbox
TABEL III
HASIL PENGUJIAN FUNGSIONALITAS SISTEM