Model klasifikasi feature-based untuk memprediksi trip type pada ulasan online hotel

Abstract

Ulasan online banyak memiliki informasi kebutuhan spesif ik setiap kelompok wisatawan mancanegara. Pihak hotel dapat mengetahui kebutuhan tersebut dengan adanya atribut seperti trip type dalam pengisian ulasan. Namun saat ini diketahui terdapat banyak wisatawan yang tidak mengisi atribut trip type tersebut sehingga penafsiran isi ulasan dan kebutuhan yang diinginkan oleh setiap kelompok wisatawan menjadi lebih sulit untuk diinterpretasikan. Maka dibutuhkan sebuah pendekatan agar dapat membantu melakukan prediksi trip type dari ulasan online hotel. Salah satu metode untuk memprediksi tersebut dapat menggunakan sebuah model feature based. Penelitian ini bertujuan untuk melakukan sebuah pemodelan untuk dapat memprediksi trip type dari sebuah ulasan online hotel di TripAdvisor dengan menerapkan metode feature based seperti tf-idf. Algoritma tf-idf merupakan sebuah algoritma yang dapat menunjukkan asosiasi antar sebuah kata dalam suatu dokumen dengan sebuah nilai yang merepresentasikan seberapa relevan sebuah kata atau feature terhadap sebuah dokumen. Algoritma k-Nearest Neighbors (k-NN), Decision Tree dan Naïve Bayes digunakan untuk mengukur performansi model prediksi trip type. Pada penelitian ini juga dilakukan pengujian menggunakan metode Distinguishing Feature Selection (DFS) dan raw term frequency. Berdasarkan hasil dari pengujian menggunakan model prediksi yang dikembangkan, terdapat dua metode yang dapat menghasilkan nilai rata-rata akurasi prediksi tertinggi. Metode tersebut merupakan menggunakan metode tf-idf dengan nilai ratarata akurasi sebesar 48.1908% dan metode DFS sebesar 48.3178%. Kedua nilai terbaik tersebut didapatkan menggunakan parameter 300 features dan classifier decision tree. Dengan menggunakan uji z dua populasi untuk menguji rata-rata (α = 5%), dapat ditarik kesimpulan bahwa tidak terdapat perbedaan rata-rata secara signif ikan antar kedua rata-rata tersebut yang menjadikan kedua metode dengan parameter tersebut merupakan metode yang terbaik untuk digunakan pada model ini. Terdapat juga hasil feature importance dimana terdapat 59 feature berpengaruh dengan metode DFS dan 87 feature berpengaruh dengan metode TF-IDF. Hasil yang diperoleh dari feature importance dapat menunjukkan kebutuhan dari konsumen berdasarkan karakteristik feature yang diperoleh sehingga dapat digunakan untuk evaluasi layanan hotel.