Parasati, Whita (2020) nalisis Sentimen Berbasis Aspek pada Ulasan Pelanggan Restoran Bakso President Malang dengan Metode Naïve Bayes Classifier. Sarjana thesis, Universitas Brawijaya.
Abstract
akso President Malang merupakan sebuah restoran yang sudah berdiri sejak tahun 1977. Banyaknya pesaing dalam industri yang sama membuat Bakso President Malang menjalankan bisnisnya tidak hanya mementingkan penggunaan strategi yang mengutamakan produk tetapi juga perlu menerapkan strategi yang sesuai dengan apa yang dibutuhkan oleh pelanggan. Hal tersebut dilakukan demi menciptakan hubungan yang baik antara pelanggan dengan restoran. Bakso President Malang sangat menghargai pendapat pelanggan terkait produk dan layanan yang mereka sediakan untuk meningkatkan kepuasan pelanggan. Namun, pihak Bakso President Malang tidak memiliki data opini pelanggan, maupun penerapan teknologi dalam mengolah dan menganalisis data yang dapat menghasilkan informasi tentang perspektif pelanggan terhadap aspek kepuasan pelanggan. Salah satu cara untuk mendapatkan perspektif pelanggan Bakso President Malang terhadap aspek kepuasan pelanggan adalah melalui analisis sentimen yang dilakukan pada pada level aspek. Metode yang digunakan untuk analisis sentimen adalah klasifikasi menggunakan algoritme Naïve Bayes. Penelitian ini menggunakan 2.152 data ulasan pelanggan dari tahun 2012 hingga tahun 2019. Data ulasan pelanggan didapatkan melalui teknik Web Scraping pada situs TripAdvisor dan Google Review. Analisis sentimen dalam setiap aspek menghasilkan nilai akurasi sebesar 88% pada aspek Makanan, 76% pada aspek Layanan, 77% pada aspek Harga, dan 84% pada aspek Atmosfir. Hasil klasifikasi analisis sentimen divisualisasikan dalam bentuk dashboard yang disertai filter berdasarkan waktu, aspek, dan sentimen.
English Abstract
Bakso President Malang is a restaurant that has been established since 1977. The number of competitors in the same industry has made Bakso President Malang run its business not only to prioritize the use of product oriented strategies but also need to implement strategies that provide what is needed by customers. This was done in order to create a good relationship between customers and restaurants. Bakso President Malang highly values the opinions of customers regarding the products and services they provide to increase customer satisfaction. However, Bakso President Malang does not have customer opinion data, nor does the application of technology in processing and analyzing data that can produce information about customer perspectives on customer satisfaction aspects. One way to get the perspective of customers of Bakso President Malang on aspects of customer satisfaction is through sentiment analysis conducted at the aspect level. The method used for sentiment analysis is classification using the Naïve Bayes algorithm. This study uses 2,152 customer review data from 2012 to 2019. Customer review data is obtained through Web Scraping techniques on TripAdvisor and Google Review. Sentiment analysis in each aspect produces an accuracy value of 88% in the Food aspect, 76% in the Service aspect, 77% in the Price aspect, and 84% in the Atmosphere aspect. The results of the sentiment analysis classification are visualized in the form of a dashboard that is accompanied by a filter based on time, aspects, and sentiments.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0520150479 |
| Uncontrolled Keywords: | Analisis Sentimen, Klasifikasi, Naïve Bayes.,Sentiment Analysis, Classification, Naïve Bayes |
| Subjects: | 000 Computer science, information and general works > 004 Computer science |
| Divisions: | Fakultas Ilmu Komputer > Sistem Informasi |
| Depositing User: | Unnamed user with username nova |
| Date Deposited: | 21 Sep 2022 04:16 |
| Last Modified: | 21 Sep 2022 04:16 |
| URI: | http://repository.ub.ac.id/id/eprint/194516 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Whita Parasati.pdf Restricted to Registered users only until 31 December 2023. Download (14MB) |
Actions (login required)
 |
View Item |