IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) DAN LEXICON BASED DENGAN EKSTRAKSI FITUR FASTTEXT PADA SENTIMEN ULASAN GOOGLE MAPS UNTUK HOTEL DI KOTA YOGYAKARTA

Poetratama, Hugo Vale (2025) IMPLEMENTASI METODE SUPPORT VECTOR MACHINE (SVM) DAN LEXICON BASED DENGAN EKSTRAKSI FITUR FASTTEXT PADA SENTIMEN ULASAN GOOGLE MAPS UNTUK HOTEL DI KOTA YOGYAKARTA. Skripsi thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK.pdf Download (360kB)
	Text COVER.pdf Download (286kB)
	Text DAFTAR ISI.pdf Download (479kB)
	Text DAFTAR PUSTAKA.pdf Download (308kB)
	Text HALAMAN PENGESAHAN PEMBIMBING.pdf Download (3MB)
	Text HALAMAN PENGESAHAN PENGUJI.pdf Download (3MB)
	Text Skripsi Lengkap_Hugo Vale Poetratama_123200116.pdf Restricted to Repository staff only Download (11MB)

Abstract

ABSTRAK
Yogyakarta adalah salah satu destinasi wisata terpopuler di Indonesia, menarik
wisatawan lokal dan mancanegara. Popularitasnya meningkat setiap tahun, kebutuhan
akomodasi juga meningkat, dengan pilihan penginapan dari hotel mewah hingga lokal yang
terjangkau. Untuk mengidentifikasi persepsi publik terhadap kualitas layanan, fasilitas, dan
pengalaman menginap, diperlukan analisis mendalam yang tidak hanya membantu hotel
dalam merespons tanggapan publik, sekaligus memberikan masukan strategis bagi pihak
pengelola hotel.
Penelitian ini bertujuan untuk menganalisis sentimen dalam ulasan hotel
menggunakan kombinasi metode Lexicon, FastText, dan Support Vector Machine (SVM).
Metodologi penelitian mencakup proses pelabelan otomatis menggunakan kamus InSet
Lexicon, preprocessing, ekstraksi fitur dengan FastText, pelatihan model SVM
menggunakan kernel Radial Basis Function (RBF), serta evaluasi performa dengan metrik
accuracy, precision, recall, dan F1-score. Model kemudian diuji dengan berbagai kombinasi
parameter untuk meningkatkan performa sehingga mendapatkan hasil yang paling optimal
untuk pengklasifikasian.
Hasil penelitian membuktikan bahwa penggunan kombinasi SVM, lexicon, dan
FastText berhasil diterapkan dan memberikan performa yang cukup baik dalam memprediksi
sentimen ulasan hotel pada setiap kelas positif, negatif, dan netral. Penelitian ini
menggunakan FastText berukuran 400 dan window 2 yang menghasilkan kinerja optimal
dengan hasil evaluasi yang mencapai accuracy 80%, precision 80%, recall 79%, dan F1
Score 79% dengan menggunakan kernel dengan kinerja terbaik yaitu Radial Basis Function
(RBF). Temuan ini membuktikan bahwa kombinasi SVM, Lexicon, dan FastText dapat
diimplementasikan dan efektif untuk diterapkan dalam analisis sentimen.
Kata Kunci : Analisis sentimen, FastText, Lexicon Based, Support Vector Machine,
Ulasan Hotel
ix
xv
ABSTRACT
Yogyakarta is one of the most popular tourist destinations in Indonesia, attracting
both domestic and international visitors. Its popularity continues to increase each year,
along with the growing demand for accommodation, ranging from luxury hotels to
affordable local lodgings. To identify public perceptions regarding service quality, facilities,
and overall guest experience, an in-depth analysis is needed—not only to help hotels respond
to public feedback, but also to provide strategic insights for hotel management.
This study aims to analyze sentiment in hotel reviews using a combination of Lexicon,
FastText, and Support Vector Machine (SVM) methods. The research methodology includes
automatic sentiment labeling using the InSet Lexicon, text preprocessing, feature extraction
using FastText, model training with SVM using the Radial Basis Function (RBF) kernel, and
performance evaluation using accuracy, precision, recall, and F1-score metrics. The model
was tested with various parameter combinations to enhance performance and obtain the
most optimal classification results.
The results of the study demonstrate that the combination of SVM, Lexicon, and
FastText was successfully implemented and delivered fairly good performance in predicting
sentiment for hotel reviews across positive, neutral, and negative classes. This study
employed FastText with a vector size of 400 and a window size of 2, which yielded optimal
performance with evaluation results of 80% accuracy, 80% precision, 79% recall, and 79%
F1-score, using the best-performing kernel: Radial Basis Function (RBF). These findings
confirm that the combination of SVM, Lexicon, and FastText is both implementable and
effective for sentiment analysis tasks.
Keywords : Sentiment Analysis, FastText, Lexicon Based, Support Vector Machine,
Hotel Review
ix
xvi

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Sentiment Analysis, FastText, Lexicon Based, Support Vector Machine, Hotel Review
Subjek:	Z Bibliography. Library Science. Information Resources > ZA Information resources
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Eko Yuli
Date Deposited:	14 Oct 2025 04:28
Last Modified:	14 Oct 2025 04:28
URI:	http://eprints.upnyk.ac.id/id/eprint/44346

Actions (login required)

View Item