ANALISIS SENTIMEN TERHADAP WISATA DI PROVINSI BALI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) (Studi Kasus: Tanah Lot)

Perkembangan teknologi digital mendorong meningkatnya penggunaan platform
daring sebagai sarana penyampaian opini dan ulasan wisata oleh masyarakat.
Ulasan tersebut mengandung informasi penting yang dapat dimanfaatkan untuk
mengetahui persepsi dan tingkat kepuasan pengunjung terhadap suatu destinasi
wisata. Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap ulasan
wisata Tanah Lot menggunakan metode Support Vector Machine (SVM) dengan
ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF) serta
membandingkan performa model berdasarkan pelabelan pakar dan pelabelan
menggunakan Artificial Intelligence (AI). Data penelitian diperoleh melalui teknik
web scraping terhadap situs TripAdvisor, dengan jumlah data sebanyak 500 ulasan
wisata. Data yang diperoleh kemudian melalui tahapan preprocessing yang
meliputi cleaning, tokenizing, stopword removal, dan stemming. Selanjutnya, data
diekstraksi menggunakan metode TF-IDF dan diklasifikasikan ke dalam tiga kelas
sentimen, yaitu negatif, netral, dan positif. Proses evaluasi model dilakukan
menggunakan metode 10-Fold Cross Validation dengan parameter penilaian
berupa akurasi, precision, recall, dan f1-score. Hasil penelitian menunjukkan
bahwa model SVM dengan label pakar menghasilkan akurasi terbesar 0,76,
sedangkan model SVM dengan label AI menghasilkan akurasi terkecil 0,58.
Model cenderung memiliki performa terbaik pada kelas sentimen netral,
sementara kelas negatif dan positif masih menunjukkan tingkat kesalahan
klasifikasi yang cukup tinggi. Perbedaan hasil tersebut menunjukkan bahwa
kualitas pelabelan data berpengaruh signifikan terhadap performa model klasifikasi
sentimen. Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa metode
Support Vector Machine (SVM) dengan ekstraksi fitur TF-IDF mampu digunakan
untuk analisis sentimen ulasan wisata Tanah Lot. Namun, peningkatan performa
model masih dapat dilakukan melalui penyeimbangan data, optimalisasi parameter,
serta perbaikan proses pelabelan data.