Search for collections on Repository Universitas Maritim Raja Ali Haji

ANALISIS SENTIMEN TEMPAT WISATA DI PULAU BINTAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM)

PRATAMA, BOYKE OKKY DWI and Ritha, Nola and Bettiza, Martaleli (2024) ANALISIS SENTIMEN TEMPAT WISATA DI PULAU BINTAN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). S1 thesis, Universitas Maritim Raja Ali Haji.

[img] Text (Cover)
BOYKE OKKY DWI PRATAMA_2001020036_Teknik Informatika_Cover.pdf - Published Version
Restricted to Repository staff only

Download (715kB) | Request a copy
[img] Text (Abstrak)
BOYKE OKKY DWI PRATAMA_2001020036_Teknik Informatika_Abstrak.pdf - Published Version

Download (110kB)
[img] Text (BAB I)
BOYKE OKKY DWI PRATAMA_2001020036_Teknik Informatika_BAB I.pdf - Published Version

Download (126kB)
[img] Text (Daftar Pustaka)
BOYKE OKKY DWI PRATAMA_2001020036_Teknik Informatika_Daftar Pustaka.pdf - Published Version

Download (117kB)
[img] Text (Full Teks)
BOYKE OKKY DWI PRATAMA_2001020036_Teknik Informatika_Full Teks.pdf - Published Version
Restricted to Repository staff only

Download (1MB) | Request a copy
Official URL: https://lib.umrah.ac.id/

Abstract

Indonesia, dengan kekayaan alam, keanekaragaman budaya, dan warisan sejarahnya, menjadikan sektor pariwisata sebagai salah satu tulang punggung ekonominya. Pulau Bintan, sebagai destinasi wisata populer di Provinsi Kepulauan Riau, memiliki potensi wisata pantai yang besar namun pengelolaannya masih belum optimal. Masalah utama yang dihadapi adalah kurangnya visualisasi ulasan pengunjung wisata yang dapat mempermudah analisis oleh pengelola. Ulasan pengunjung di Google Maps menjadi informasi berharga bagi pengelola untuk evaluasi dan wisatawan sebagai pertimbangan sebelum berkunjung. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan wisata di Pulau Bintan menggunakan metode machine learning, khususnya Support Vector Machine (SVM). Dengan dataset sebanyak 1723 ulasan dari Google Maps, analisis dilakukan untuk mengukur akurasi klasifikasi sentimen menjadi positif dan negatif. Hasil penelitian menunjukkan bahwa SVM mencapai akurasi sebesar 86%, precision 86%, recall 98%, dan f-measure 92%.

Item Type: Thesis (S1)
Contributors:
ContributionNameNIP / NIDN
UNSPECIFIEDRitha, NolaNIP. 199011142019032016
UNSPECIFIEDBettiza, MartaleliNIP. 197508282021212006
Subjects: 000_umum > 000. Ilmu Umum dan Komputer > 005.1.Pemrograman
000_umum > 000. Ilmu Umum dan Komputer > 006.3 Artificial Intelligence/Kecerdasan Buatan
Divisions: Fakultas Teknik > Program Studi Teknik Informatika
Depositing User: user Teknik Informatika
Date Deposited: 31 Jul 2024 07:08
Last Modified: 31 Jul 2024 07:08
URI: http://repositori.umrah.ac.id/id/eprint/7809

Actions (login required)

View Item View Item