Identifikasi Multi Aspek dan Sentimen Analisis pada Review Hotel Menggunakan Deep learning

Abstract

Review hotel tidak hanya memberikan informasi bermanfaat bagi pengusaha, tetapi juga membentuk citra hotel di mata pelanggan. Review umumnya mencakup berbagai aspek yang diungkapkan secara jujur oleh pelanggan. Dalam penelitian terdahulu (Cahyaningtyas et al., 2021; Jayanto et al., 2022; Tran et al., 2019) telah dikembangkan model berbasis aspek dan sentimen review untuk mengetahui penilian dari sebuah review hotel. Namun dalam penelitian sebelumnya, masih melakukan identifikasi terhadap satu nilai tertentu dalam rangkaian kalimat. Sementara itu, pada kebanyakan review umumnya terdapat lebih dari satu penilian. Oleh karena itu, untuk melihat berbagai penilaian review hotel dikembangkan analisis sentimen berbasis multi-aspek. Pengembangan ini bertujuan untuk mengidentifikasi lebih dari satu aspek dalam sebuah kalimat review dan sentimen. Aspek penilaian pada review diperoleh dari penelitian (Cahyaningtyas et al., 2021) yang meliputi aspek harga, lokasi, pelayanan, makanan, fasilitas, dan kamar. Menggunakan metode deep learning yaitu LSTM diharapkan model mampu secara efektif menangani rangkaian kata yang panjang. Arsitektur model LSTM terdiri dari layer embedding, SpatialDropout1D, LSTM, dan dense. Model dilatih dengan pengaturan epochs sebesar 10 dan batch size 32. Evaluasi model dilakukan dengan tiga skenario yang mencakup pengujian kalimat satu aspek, pengujian kalimat kombinasi dua aspek, dan pengujian kalimat kombinasi tiga aspek. Akurasi kombinasi K-aspek diterapkan pada pengujian kalimat kombinasi dua dan tiga aspek. Sementara F1_score digunakan untuk pengujian kalimat satu aspek dan sentimen kalimat. Hasil pengujian yang diperoleh yaitu akurasi kombinasi 2-aspek sebesar 79% pada kalimat kombinasi dua aspek dan tiga aspek, F1_score sebesar 85,7% pada kalimat satu aspek, dan F1_score sebesar 83% pada sentiment kalimat. Perolehan hasil tersebut menunjukkan bahwa model yang dibangun sudah mampu melakukan sentiment multi aspek pada review hotel.