Membuat Wordcloud / Text Mining Dari

Sebuah Platform Digital

Analisa Komentar Pelanggan Hotel

Modul ini akan membahas cara membuat wordcloud/textmining dan menganalisa
komentar pengunjung hotel yang termuat dalam website https://www.tripadvisor.co.id
yang nampak seperti berikut,

Hotel yang kita coba lihat komentar para pengunjung salah satu hotel di kota
Yogyakarta,
misal disini kita akan menganalisa komentar pengunjung Hotel Royal Ambarukmo
Yogya, maka, kita gunakan SelectorGadget untuk melihat posisi komentar tersebut, serta
persiapkan terlebih dahulu package di dalam R.
Siapkan terlebih dahulu R nya serta install package yang diperlukan
> install.packages("xml2")
> library(xml2)
> install.packages("rvest")
> library(rvest)
nampak seperti berikut,

kemudian kita ingin mengambil review dari Hotel Royal Ambarrukmo yang ada di kota
Yogyakarta,
kita masukkan dalam R alamat website tersebut, misal hasil pembacaan halaman website
tersebut kita namakan “Ambarrukmo”
> ambarrukmo <-
read_html("https://www.tripadvisor.co.id/Hotel_Review-g5074492-
d307833-Reviews-Royal_Ambarrukmo_Yogyakarta-
Depok_Sleman_District_Yogyakarta_Region_Java.html")
> ambarrukmo

nampak hasilnya seperti berikut,

kemudian, kita gunakan SelectorGadget untuk melihat posisi review pelanggan

kemudian masukkan lagi ke R,

> review<-html_nodes(ambarrukmo,".common-text-ReadMore__content--
2X4LR")
> reviewtext<-html_text(review)
> reviewtext
nampak hasilnya,

kemudian, kita bersihkan sedikit, misal jika ada huruf “\n” dan lainnya yang tidak
diperlukan, dan kemudian kita simpan dalam csv
> reviewtextbaru<-gsub("\n","",reviewtext)
> reviewtextbaru
> write.csv(reviewtextbaru, file=file.choose(), row.names=TRUE,
sep=',', col.names=TRUE)

bisa dilihat hasilnya tersimpan seperti berikut (letak folder dipersilahkan anda buat
sendiri)
jika dibuka melalui microsoft excel,

kemudian bisa juga kita bersihkan terlebih dahulu data tersebut, (misalkan baris
pertama yang tidak memuat komentar apapun bisa kita delete baris) kemudian kita Save
kembali.
Selanjutnya anda install beberapa package tambahan yang diperlukan untuk analisa
selanjutnya.
> library(tm)
> library(SnowballC)
> library(wordcloud)
> library(RColorBrewer)
> library(stringr)

jika anda belum menginstallnya maka gunakan perintah

“install.packages(“nama_package”)”

Setelah instalasi selesai maka dapat kita teruskan dengan membaca kembali dokumen
yang ada dalam folder,
> dokumen<-readLines(file.choose())
> dokumen

nampak hasilnya,

kemudian kita buat Corpus (kumpulan teks) untuk dokumen diatas,

> dokumen <- VCorpus(VectorSource(dokumen))
> dokumen

hasilnya,

kemudian,
> str(dokumen)

nampak sebagai berikut,

jika ketika menggunakan perintah “str(dokumen)” tidak muncul tampilan seperti diatas,
maka pada perintah sebelumnya gunakan perintah “dokumen <-
Corpus(VectorSource(dokumen))”, selanjutnya bisa kita coba dokumen satu-satu, misal
dokumen pertama,
> dokumen[[1]]

nampak hasilnya,

atau bisa juga dengan perintah seperti berikut,

> dokumen[[2]]$content

jika terdapat kesalahan seperti ini,

maka pada perintah sebelumnya gunakan perintah

“dokumen <- Corpus(VectorSource(dokumen))”
dengan tidak menggunakan V pada Corpus. Hasil yang benar akan ditunjukkan seperti
berikut,

kemudian kita buat Matriks Kata-kata dalam dokumen dengan perintah seperti berikut,
> dokumenDTM<-DocumentTermMatrix(dokumen,control=list(tolower=TRUE,
removeNumbers=TRUE,
stopwords=TRUE,
removePunctuation=TRUE,
stemming=TRUE))
> dokumenDTM

sehingga menghasilkan,
dari 7 dokumen terdapat 201 kata yang berbeda, kemudian kita gunakan
> inspect(dokumenDTM)

maka muncul hasil seperti berikut,

daftar kata-kata diurutkan secara abjad atau lexical dan dianggap sebagai kolom, pada
perintah inspect hanya diperlihatkan 10 kata-kata pertama saja. Contoh pada dokumen
ke-1 kata “ambarrukmo” muncul 2 kali, kata “best” tidak muncul, kata “dan” muncul 4
kali dan seterusnya, Jika ingin diketahui lebih detil lagi dapat gunakan perintah berikut,
> str(dokumenDTM)

dan terlihat hasilnya,

> str(dokumenDTM)
List of 6
$ i : int [1:238] 1 1 1 1 1 1 1 1 1 1 ...
$ j : int [1:238] 3 6 10 12 16 17 19 23 25 26 ...
$ v : num [1:238] 1 2 1 1 1 1 1 1 1 1 ...
$ nrow : int 7
$ ncol : int 194
$ dimnames:List of 2
 ..$ Docs : chr [1:7] "1" "2" "3" "4" ...
..$ Terms: chr [1:194] "absolut" "ada" "adisucipto" "agre" ...
- attr(*, "class")= chr [1:2] "DocumentTermMatrix"
"simple_triplet_matrix"
- attr(*, "weighting")= chr [1:2] "term frequency" "tf"
>

kemudian bisa kita lihat semua kata-kata yang ada,

> dokumenDTM$dimnames$Terms

dan hasilnya seperti berikut,

> dokumenDTM$dimnames$Terms [1] "absolut" "ada"
"adisucipto"
[4] "agre" "akan" "ambarrukmo"
[7] "anak" "anakni" "apabila"
[10] "areal" "asistensi" "atau"
[13] "awalia" "bagus" "baik"
[16] "balkon" "bandara" "bantuan"
[19] "banyak" "baru" "bener"
[22] "beragam" "berkela" "berlangsung"
[25] "berlibur" "berlokasi" "berpenghargaan"
[28] "bersih" "besar" "best"
[31] "bgt" "bintang" "bisni"
[34] "boy" "breakfast" "budaya"
[37] "cameron" "can" "check"
[40] "checkin" "checkout" "cukup"
[43] "dalam" "dan" "dapat"
[46] "dari" "dear" "deh"
[49] "delux" "dengan" "destinasi"
[52] "dibantu" "didalam" "didalamnya"
[55] "dilengkapi" "dimana" "dimulai"
 [58] "diperhatikan" "disini" "execut"
[61] "fasilita" "fasilta" "forward"
[64] "foto" "friend" "furnitur"
[67] "general" "greet" "gunung"
[70] "happi" "hingga" "hope"
[73] "hotel" "ian" "independen"
[76] "internasion" "istirahat" "istri"
[79] "jga" "juara" "juga"
[82] "junior" "kamar" "kamarnya"
[85] "kami" "kapasita" "karena"
[88] "keluarga" "keramahan" "keseluruh"
[91] "ketenangan" "kid" "klo"
[94] "kota" "lagi" "lebih"
[97] "lemari" "lengkap" "letak"
[100] "liburan" "lokasi" "look"
[103] "love" "lua" "luas…"
[106] "manag" "mbaknya" "mbknya"
[109] "meet" "melukai" "membantu"
[112] "memerlukan" "memilih" "memiliki"
[115] "meminta" "memudahkan" "menarik"
[118] "menawarkan" "mendapatkan" "mengadakan"
[121] "menginap" "menit" "menyenangkan"
[124] "menyenangkan…" "merapi" "miniclass"
[127] "mohon" "mulai" "nadia"
[130] "namani" "nanda" "next"
[133] "ngajarin" "nginep" "nyaman"
[136] "oleh" "orang" "out"
[139] "overal" "pelayanan" "pemandangan"
[142] "pengalaman" "perbelanjaan" "pertemuannya"
[145] "petuga" "pintu" "playgroundnya"
[148] "premier" "pusat" "ragil"
[151] "ramah" "rapat" "receiptionist"
[154] "relnya" "return" "review"
[157] "rombongan" "room" "royal"
[160] "ruang" "ruangan" "saat"
[163] "sampai" "sangat" "sebuah"
[166] "sehingga" "sekali" "selama"
[169] "seneng" "serta" "sini"
[172] "siti" "spot" "standar"
[175] "standbi" "strategi" "suit"
[178] "sungguh" "tamu" "tayani"
[181] "tempat" "tempatnya" "tepat"
[184] "terasa" "terbaik" "terkait"
[187] "terlepa" "thank" "tidak"
[190] "untuk" "vina" "yang"
[193] "yogyakarta" "you"

nampak seluruh kata-kata yang ada dalam matriks, berikutnya dapat anda ikuti perintah
berikut,
> dokumenfreq<-findFreqTerms(dokumenDTM,3)
> dokumenfreq
> dokumenfreq<-findFreqTerms(dokumenDTM,3)
> dokumenfreq

yang menghasilkan,
> dokumenfreq<-findFreqTerms(dokumenDTM,3)
> dokumenfreq [1] "ambarrukmo" "best" "dan" "dapat"

[5] "dari" "dengan" "fasilita" "hotel"

[9] "internasion" "kamar" "kami" "kota"
[13] "room" "saat" "suit" "untuk"
[17] "yang" "yogyakarta"
> dokumenfreq<-findFreqTerms(dokumenDTM,4)
> dokumenfreq
[1] "best" "dan" "dari" "dengan"
[5] "fasilita" "hotel" "kami" "room"
[9] "yang" "yogyakarta"

pada perintah pertama menampilkan kata-kata yang mempunyai frekuensi 3 kali

muncul atau lebih, sedangkan perintah kedua menampilkan kata-kata yang mempunyai
kemunculan 4 kali atau lebih
> dokkudtm <- TermDocumentMatrix(dokumen)

nampak hasilnya,
> dokkudtm <- TermDocumentMatrix(dokumen)
<<TermDocumentMatrix (terms: 222, documents: 8)>>
Non-/sparse entries: 255/1521
Sparsity : 86%
Maximal term length: 15
Weighting : term frequency (tf)

kemudian gunakan perintah berikut untuk membuat matriks

> em <- as.matrix(dokkudtm)
> em

dan nampak seperti berikut,

> em <- as.matrix(dokkudtm)
> em
Docs
Terms 1 2 3 4 5 6 7 8
"","x" 1 0 0 0 0 0 0 0
"1","hotel 0 1 0 0 0 0 0 0
"2","pelayanan 0 0 1 0 0 0 0 0
"3","seneng 0 0 0 1 0 0 0 0
"4","best 0 0 0 0 1 0 0 0
"5","dear 0 0 0 0 0 1 0 0
"6","hotel 0 0 0 0 0 0 1 0
"7","overall 0 0 0 0 0 0 0 1
2,000 0 1 0 0 0 0 0 0
247 0 1 0 0 0 0 0 0
absolutely 0 0 0 0 0 1 0 0
ada 0 0 0 1 0 0 0 0
adisucipto 0 1 0 0 0 0 0 0
agree 0 0 0 0 0 1 0 0
akan 0 0 0 0 0 0 1 0
all 0 0 0 0 0 1 0 0
ambarrukmo 0 2 0 0 0 0 0 0
ambarrukmo. 0 0 0 0 0 0 0 1
anak2 0 0 0 0 0 0 0 1
anakny 0 0 0 1 0 0 0 0
and 0 0 0 0 1 0 0 0
apabila 0 0 1 0 0 0 0 0
areal 0 1 0 0 0 0 0 0
asistensi 0 0 0 0 0 0 1 0
atau 0 1 0 0 0 0 0 0
awalia" 0 0 0 0 0 0 1 0
bagus. 0 0 0 0 0 0 0 1
bagus2... 0 0 1 0 0 0 0 0
baik 0 0 1 0 0 0 0 0
baik. 0 0 0 0 0 0 0 1
balkon 0 1 0 0 0 0 0 0
bandara 0 1 0 0 0 0 0 0
bantuan. 0 0 1 0 0 0 0 0
banyak 0 1 0 0 0 0 0 0
baru 0 0 0 0 0 0 0 1
bener2 0 0 0 1 0 0 0 0
beragam. 0 0 0 0 0 0 0 1
berkelas 0 1 0 0 0 0 0 0
berlangsung, 0 0 1 0 0 0 0 0
berlibur, 0 1 0 0 0 0 0 0
berlokasi 0 1 0 0 0 0 0 0
berpenghargaan 0 1 0 0 0 0 0 0
bersih. 0 0 0 1 0 0 0 0
besar. 0 0 0 0 1 0 0 0
best 0 0 0 0 4 0 0 0
best. 0 0 0 0 0 1 0 0
bgt 0 0 0 2 0 0 0 0
bintang 0 1 0 0 0 0 0 0
bisnis 0 1 0 0 0 0 0 0
boy 0 0 1 0 0 0 0 0
breakfast 0 0 0 0 0 0 0 1
budaya 0 1 0 0 0 0 0 0
cameron 0 0 0 0 0 1 0 0
can 0 0 0 0 0 1 0 0
check 0 0 1 0 0 0 0 0
check-in 0 0 0 0 0 0 0 1
check-out 0 0 0 0 0 0 0 1
cukup 0 0 0 0 0 0 0 1
dalam 0 0 0 0 1 0 0 0
dan 0 4 2 0 2 0 3 0
dapat 0 1 0 0 0 0 1 0
dapat. 0 0 0 0 0 0 0 1
dari 0 2 1 0 0 0 1 1

[ reached getOption("max.print") -- omitted 97 rows ]

dengan perintah
> ve <- sort(rowSums(em),decreasing=TRUE)

maka muncul,
> ve <- sort(rowSums(em),decreasing=TRUE)
> veve
dan dengan dari
11 7 5
kami best fasilitas
5 4 4
yang hotel internasional
4 3 3
kamar room saat
3 3 3
untuk ambarrukmo bgt
3 2 2
dapat destinasi dibantu
2 2 2
kota liburan memiliki
2 2 2
menginap orang. pemandangan
2 2 2
pengalaman rapat room,
2 2 2
royal sangat sehingga
2 2 2
strategis terbaik yogyakarta
2 2 2
your "","x" "1","hotel
2 1 1
"2","pelayanan "3","seneng "4","best
 1 1 1
"5","dear "6","hotel "7","overall
1 1 1
2,000 247 absolutely
1 1 1
ada adisucipto agree
1 1 1
akan all ambarrukmo.
1 1 1
anak2 anakny and
1 1 1
apabila areal asistensi
1 1 1
atau awalia" bagus.
1 1 1
bagus2... baik baik.
1 1 1
balkon bandara bantuan.
1 1 1
banyak baru bener2
1 1 1
beragam. berkelas berlangsung,
1 1 1
berlibur, berlokasi berpenghargaan
1 1 1
bersih. besar. best.
1 1 1
bintang bisnis boy
1 1 1
breakfast budaya cameron
1 1 1
can check check-in
 1 1 1
check-out cukup dalam
1 1 1
dapat. deh. deluxe
1 1 1
didalam didalamnya" didalamnya.
1 1 1
dilengkapi dimana dimulai
1 1 1
diperhatikan disini executive
1 1 1
fasiltas for forward
1 1 1
foto foto2 friendly
1 1 1
furniture general greeting
1 1 1
gunung happy happy,
1 1 1
hingga hope ian
1 1 1
independen istirahat istri
1 1 1
jga. juara juga
1 1 1
junior kamarnya kapasitas
1 1 1
karena keluarga keramahan
1 1 1
keseluruh ketenangan kids
1 1 1
klo kota. lagi"
 1 1 1
lagi, lebih lemari
1 1 1
lengkap letak lokasi
1 1 1
look lovely luas
1 1 1

...

kemudian untuk melihat 6 data terbesar dapat digunakan,

> de <- data.frame(word = names(ve),freq=ve)
> head(de, 15)

hasilnya seperti berikut,

> de <- data.frame(word = names(ve),freq=ve)
> head(de, 15)
word freq
dan dan 11
dengan dengan 7
dari dari 5
kami kami 5
best best 4
fasilitas fasilitas 4
yang yang 4
hotel hotel 3
internasional internasional 3
kamar kamar 3
room room 3
saat saat 3
untuk untuk 3
ambarrukmo ambarrukmo 2
bgt bgt 2> str(de)
'data.frame': 222 obs. of 2 variables:
$ word: Factor w/ 222 levels "\"\",\"x\"","\"1\",\"hotel",..: 60
66 63 105 45 78 216 93 96 103 ...
$ freq: num 11 7 5 5 4 4 4 3 3 3 ...
> de$word
[1] dan dengan dari
[4] kami best fasilitas
[7] yang hotel internasional
[10] kamar room saat
[13] untuk ambarrukmo bgt
[16] dapat destinasi dibantu
[19] kota liburan memiliki
[22] menginap orang. pemandangan
[25] pengalaman rapat room,
[28] royal sangat sehingga
[31] strategis terbaik yogyakarta
[34] your "","x" "1","hotel
[37] "2","pelayanan "3","seneng "4","best
[40] "5","dear "6","hotel "7","overall
[43] 2,000 247 absolutely
[46] ada adisucipto agree
[49] akan all ambarrukmo.
[52] anak2 anakny and
[55] apabila areal asistensi
[58] atau awalia" bagus.
[61] bagus2... baik baik.
[64] balkon bandara bantuan.
[67] banyak baru bener2
[70] beragam. berkelas berlangsung,
[73] berlibur, berlokasi berpenghargaan
 [76] bersih. besar. best.
[79] bintang bisnis boy
[82] breakfast budaya cameron
[85] can check check-in
[88] check-out cukup dalam
[91] dapat. deh. deluxe
[94] didalam didalamnya" didalamnya.
[97] dilengkapi dimana dimulai
[100] diperhatikan disini executive
[103] fasiltas for forward
[106] foto foto2 friendly
[109] furniture general greeting
[112] gunung happy happy,
[115] hingga hope ian
[118] independen istirahat istri
[121] jga. juara juga
[124] junior kamarnya kapasitas
[127] karena keluarga keramahan
[130] keseluruh ketenangan kids
[133] klo kota. lagi"
[136] lagi, lebih lemari
[139] lengkap letak lokasi
[142] look lovely luas
[145] luas.…" manager" mbak2nya
[148] mbknya meeting melukai
[151] membantu memerlukan memilih
[154] meminta memudahkan menarik
[157] menawarkan mendapatkan mengadakan
[160] menit menyenangkan. menyenangkan.…"
[163] merapi miniclass mohon
[166] mulai nadia namany
[169] nanda, next ngajarin
[172] nginep nyaman. oleh
[175] out, perbelanjaan pertemuannya
[178] petugas pintu playgroundnya
[181] premiere pusat ragil
[184] ramah receiptionist relnya,
[187] return. review rombongan
[190] ruang ruangan sampai
[193] sebuah sekali, selama
[196] serta sini siti
[199] spot standar standby
[202] suite suite, suites.
[205] sungguh tamu tayani.
[208] tempat tempatnya tepat
[211] terasa terkait terlepas
[214] thank the tidak
[217] vina with yogyakarta.
[220] yogyakarta." you you...!!!!!
222 Levels: "","x" "1","hotel "2","pelayanan ... your> de$freq
[1] 11 7 5 5 4 4 4 3 3 3 3 3 3 2 2 2 2 2
[19] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1
[37] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[55] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[73] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[91] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[109] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[127] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[145] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[163] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[181] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[199] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
[217] 1 1 1 1 1 1
kemudian untuk membuat wordcloud gunakan perintah berikut,
> wordcloud(words = de$word, freq = de$freq, min.freq = 1,

max.words=50, random.order=FALSE, rot.per=0.35,

colors=brewer.pal(8, "Dark2"))

nampak hasilnya,

hasilnya masih terlihat kurang bagus, karena stopwords yang digunakan masih dalam
bahasa inggris, dan kata-kata inti (stemming) bahasa Indonesia belum digunakan.
Misal ingin diketahui asosiasi kata dari kata-kata yang sering muncul, misal kata
“fasilitas”, “hotel” dan “sangat” maka kita gunakan perintah berikut,
> vee<-as.list(findAssocs(dokkudtm, terms =c("fasilitas", "hotel",
"sangat"), corlimit = c(0.15,0.15,0.15,0.15,0.15,0.15)))

dan hasilnya,
$`fasilitas`
untuk dan dapat
0.91 0.89 0.82
memiliki orang. strategis
0.82 0.82 0.82
terbaik "1","hotel 2,000
0.82 0.80 0.80
247 adisucipto ambarrukmo
0.80 0.80 0.80
areal atau balkon
0.80 0.80 0.80
bandara banyak berkelas
0.80 0.80 0.80
berlibur, berlokasi berpenghargaan
0.80 0.80 0.80
bintang bisnis budaya
0.80 0.80 0.80
deluxe destinasi didalam
0.80 0.80 0.80
didalamnya. dilengkapi dimana
0.80 0.80 0.80
executive gunung independen
0.80 0.80 0.80
internasional junior kamarnya
0.80 0.80 0.80
kapasitas keseluruh memilih
0.80 0.80 0.80
menarik menawarkan menit
0.80 0.80 0.80
merapi perbelanjaan pertemuannya
0.80 0.80 0.80
premiere pusat room,
 0.80 0.80 0.80
ruang sebuah serta
0.80 0.80 0.80
standar suite suite,
0.80 0.80 0.80
suites. tamu yogyakarta
0.80 0.80 0.80
yogyakarta." dengan dari
0.80 0.76 0.64
kota pemandangan royal
0.41 0.41 0.41
"4","best "6","hotel akan
0.27 0.27 0.27
and asistensi awalia"
0.27 0.27 0.27
besar. best dalam
0.27 0.27 0.27
deh. didalamnya" diperhatikan
0.27 0.27 0.27
furniture greeting juara
0.27 0.27 0.27
karena keluarga keramahan
0.27 0.27 0.27
kota. lagi, lebih
0.27 0.27 0.27
lemari lengkap letak
0.27 0.27 0.27
lokasi meeting melukai
0.27 0.27 0.27
mohon nyaman. pintu
0.27 0.27 0.27
receiptionist relnya, rombongan
 0.27 0.27 0.27
tempat tepat terkait
0.27 0.27 0.27
terlepas tidak vina
0.27 0.27 0.27
yogyakarta. yang
0.27 0.25$hotel
kota memiliki pemandangan
0.75 0.75 0.75
royal kamar "1","hotel
0.75 0.70 0.49
"4","best "7","overall 2,000
0.49 0.49 0.49
247 adisucipto ambarrukmo
0.49 0.49 0.49
ambarrukmo. anak2 and
0.49 0.49 0.49
areal atau bagus.
0.49 0.49 0.49
baik. balkon bandara
0.49 0.49 0.49
banyak baru beragam.
0.49 0.49 0.49
berkelas berlibur, berlokasi
0.49 0.49 0.49
berpenghargaan besar. best
0.49 0.49 0.49
bintang bisnis breakfast
0.49 0.49 0.49
budaya check-in check-out
0.49 0.49 0.49
cukup dalam dapat.
 0.49 0.49 0.49
deluxe destinasi didalam
0.49 0.49 0.49
didalamnya" didalamnya. dilengkapi
0.49 0.49 0.49
dimana dimulai executive
0.49 0.49 0.49
fasiltas greeting gunung
0.49 0.49 0.49
happy happy, hingga
0.49 0.49 0.49
independen internasional istirahat
0.49 0.49 0.49
istri juga junior
0.49 0.49 0.49
kamarnya kapasitas keluarga
0.49 0.49 0.49
keseluruh ketenangan kota.
0.49 0.49 0.49
lengkap letak luas.…"
0.49 0.49 0.49
meeting memilih menarik
0.49 0.49 0.49
menawarkan mendapatkan menit
0.49 0.49 0.49
menyenangkan. merapi nyaman.
0.49 0.49 0.49
perbelanjaan pertemuannya premiere
0.49 0.49 0.49
pusat receiptionist rombongan
0.49 0.49 0.49
room, ruang ruangan
 0.49 0.49 0.49
sebuah serta standar
0.49 0.49 0.49
suite suite, suites.
0.49 0.49 0.49
tamu tempat tepat
0.49 0.49 0.49
terasa yogyakarta yogyakarta."
0.49 0.49 0.49
untuk dari dengan
0.47 0.42 0.34
dan room yang
0.32 0.32 0.18$sangat
"7","overall ambarrukmo. anak2 bagus.
1.00 1.00 1.00 1.00
baik. baru beragam. breakfast
1.00 1.00 1.00 1.00
check-in check-out cukup dapat.
1.00 1.00 1.00 1.00
dimulai fasiltas happy happy,
1.00 1.00 1.00 1.00
hingga istirahat istri juga
1.00 1.00 1.00 1.00
ketenangan luas.…" mendapatkan menyenangkan.
1.00 1.00 1.00 1.00
ruangan terasa kamar kota
1.00 1.00 0.88 0.65
menginap pemandangan pengalaman royal
0.65 0.65 0.65 0.65
kami saat dari
0.47 0.34 0.20
nah dari hasil diatas maka dapat diambil kesimpulan bahwa, misal kata “hotel”
mempunyai hubungan asosiasi yang erat dengan kata “kota” (0.75) dan “pemandangan”
(0.75), serta bisa juga diinterpretasikan dengan asosiasi kata yang lainnya.Sekian dulu,
artikel berikutnya akan mengevaluasi hasil tersebut diatas. sehingga kita bisa
mendapatkan gambaran yang benar tentang review pelanggan terhadap Hotel Royal
Ambarrukmo.