ZAILANTI, MARSELA and Nurfalinda, Nurfalinda and Efranda, Nolan (2026) ANALISIS SENTIMEN BERBASIS DEEP LEARNING PADA EKOWISATA MANGROVE MENGGUNAKAN RECURRENT NEURAL NETWORK (RNN). S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) MARSELA_ZAILANTI_2101020070_Teknik_Informatika_Cover.pdf - Published Version Download (908kB)
	Text (Abstrak) MARSELA_ZAILANTI_2101020070_Teknik_Informatika_Abstrak.pdf - Published Version Download (235kB)
	Text (BAB 1) MARSELA_ZAILANTI_2101020070_Teknik_Informatika_BAB 1.pdf - Published Version Download (348kB)
	Text (Daftar Pustaka) MARSELA_ZAILANTI_2101020070_Teknik_Informatika_Daftar Pustaka.pdf - Published Version Download (253kB)
	Text (Full Teks) MARSELA_ZAILANTI_2101020070_Teknik_Informatika-Full Teks.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Ekowisata Mangrove merupakan upaya untuk melestarikan hutan mangrove. Ulasan pengunjung Ekowisata Mangrove di Google Maps dapat menjadi informasi berharga bagi wisatawan dan pengelola ekowisata mangrove tersebut. Bagi pengelola, ulasan ini menjadi evaluasi untuk meningkatkan kualitas tempat wisata. Bagi wisatawan, ulasan merupakan bahan pertimbangan sebelum berkunjung ketempat wisata tersebut. Namun, banyak dan beragamnya ulasan membuat sulit untuk menyimpulkan isi secara manual. Oleh karena itu, ulasan dapat diperoleh dengan cepat dan efisien menggunakan analisis sentimen. Penelitian ini bertujuan untuk memperoleh hasil akurasi dan menguji peforma algoritma Recurent Neural Network (RNN) dalam mengklasifikasi sentimen negatif, netral dan positif pada 8.000 ulasan dari 8 lokasi Ekowisata Mangrove dari platform google maps. Penelitian dilakukan menggunakan extensions Instant Data Scraper yang terdapat di browser google chrome untuk mengumpulkan data dari google maps, kemudian dilakukan preprocessing, labeling menggunakan Inset Lexicon, Embedding kata, dan klasifikasi sentimen ke dalam kategori negatif, netral, dan positif. Evaluasi model menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa algoritma RNN mampu mencapai accuracy sebesar 89,42%, dengan performa terbaik pada kelas positif (F1-Score 0,94) dan kelas negatif (F1-Score 0,91), sedangkan kelas netral memperoleh F1-Score lebih rendah yaitu 0,69 akibat karakteristik ulasan yang cenderung ambigu dan jumlah data yang lebih sedikit dibandingkan kelas lain. Hasil penelitian menunjukkan bahwa algoritma RNN efektif dalam mengklasifikasikan sentimen ulasan ekowisata mangrove pada platform Google Maps.

Actions (login required)

View Item