Analisis Sentimen Destinasi Wisata Kabupaten Karangasem pada Ulasan Digital Menggunakan Model IndoBERT
DOI:
https://doi.org/10.61423/3gf4n981Keywords:
Analisis Sentimen, IndoBERT, Karangasem, PariwisataAbstract
Kabupaten Karangasem merupakan salah satu sektor strategis pariwisata di Bali, namun data terbaru menunjukkan tren penurunan jumlah kunjungan dari sekitar 1,3 juta pada tahun 2023 menjadi 1,2 juta pada tahun 2024. Kondisi ini memerlukan evaluasi pengalaman pengunjung berbasis data untuk mengoptimalkan peningkatan kualitas dan daya saing destinasi secara responsif. Analisis sentimen diperlukan karena volume ulasan digital yang besar membuat analisis manual menjadi tidak efisien. Penelitian ini menggunakan pendekatan model deep learning IndoBERT melalui tahapan pre-processing dan penerapan Easy Data Augmentation (EDA) serta Downsampling untuk menangani kesinambungan kelas. Berdasarkan hasil pengujian menggunakan Stratified 10-Fold Cross Validation , model berhasil mencapai akurasi sebesar 83% dengan nilai Weighted F1-score sebesar 0,81, Precision 0,81, dan recall 0,81 . Hasil klasifikasi menunjukkan dominasi sentimen positif sebanyak 14.686 ulasan, sementara sentimen negatif (3.880 ulasan) dan netral (2.431 ulasan) memberikan informasi krusial sebagai dasar perbaikan layanan pariwisata di Kabupaten Karangasem.
Downloads
References
[1] G. A. Pradnyana and I. G. M. Darmawiguna, “Web-Based System for Bali Tourism Sentiment Analysis during The Covid-19 Pandemic using Django Web Framework and Naive Bayes Method,” Proc. 4th Int. Conf. Innov. Res. Across Discip. (ICIRAD 2021), vol. 613, no. Icirad, pp. 316–320, 2022, doi: 10.2991/assehr.k.211222.050.
[2] K. E. Marsitadewi and I. W. Sudemen, “Kemiskinan Struktural di Karangasem: Menganalisis Penyebab dan Intervensi Pemerintah,” J. Good Gov., vol. 20, no. 1, 2024, doi: https://doi.org/10.32834/gg.v20i1.745.
[3] C. A. Bahri and L. H. Suadaa, “Aspect-Based Sentiment Analysis in Bromo Tengger Semeru National Park Indonesia Based on Google Maps User Reviews,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 17, no. 1, p. 79, Feb. 2023, doi: 10.22146/ijccs.77354.
[4] A. Dwiyono, M. Fachrurrozi, J. Palembang-Prabumulih, K. Ogan Ilir, and S. Selatan, “Analisis Perbandingan Klasifikasi Intent Chatbot Menggunakan Deep Learning BERT, RoBERTa, dan IndoBERT,” J. Inf. Syst. Res., vol. 6, no. 1, pp. 605–616, 2024, doi: 10.47065/josh.v6i1.6051.
[5] I. P. D. W. Darmawan, G. A. Pradnyana, and I. B. N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” SINTECH (Science Inf. Technol. J., vol. 6, no. 1, pp. 58–67, Apr. 2023, doi: 10.31598/sintechjournal.v6i1.1245.
[6] N. Fibriyanti Arminda, N. Sulistiyowati, and T. Nur Padilah, “Implementasi Algoritma Multinomial Naive Bayes Pada Analisis Sentimen Terhadap Ulasan Pengguna Aplikasi Brimo,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 3, pp. 1817–1822, 2023, doi: 10.36040/jati.v7i3.7012.
[7] I. D. G. M. Parawangsa, G. S. Mahendra, and R. N. P. Pinatih, “Implementasi Metode XLM-RoBERTa Untuk Analisis Sentimen Ulasan Pengunjung Objek Wisata Kerta Gosa Klungkung,” RIGGS J. Artif. Intell. Digit. Bus., vol. 4, no. 4, pp. 9893–9900, 2026, doi: 10.31004/riggs.v4i4.5368.
[8] G. A. Pradnyana, I. G. M. Darmawiguna, D. K. S. Suditresna Jaya, and A. Sasmita, “Performance analysis of support vector machines with polynomial kernel for sentiment polarity identification: A case study in lecturer’s performance questionnaire,” J. Phys. Conf. Ser., vol. 1810, no. 1, 2021, doi: 10.1088/1742-6596/1810/1/012033.
[9] Aprilia Monica Sari, I Made Gede Sunarya, and I Md. Dendi Maysanjaya, “Perancangan Aplikasi Analisis Sentimen Mengenai Program Petani Milenial Berbasis IndoBERT,” Kumpul. Artik. Mhs. Pendidik. Tek. Inform., vol. 15, no. 1, pp. 118–126, Jan. 2026, doi: 10.23887/karmapati.v15i1.108665.
[10] A. Y. Setiawan, I. G. M. Darmawiguna, and G. Pradnyana, “Sentiment Summarization Learning Evaluation Using LSTM (Long Short Term Memory) Algorithm,” in Proceedings of the 4th International Conference on Vocational Education and Technology, IConVET 2021, 27 November 2021, Singaraja, Bali, Indonesia, EAI, 2022. doi: 10.4108/eai.27-11-2021.2315533.
[11] I. G. M. Darmawiguna, G. A. Pradnyana, and I. B. Jyotisananda, “Indonesian sentiment summarization for lecturer learning evaluation by using textrank algorithm,” J. Phys. Conf. Ser., vol. 1810, no. 1, 2021, doi: 10.1088/1742-6596/1810/1/012024.
[12] L. D. Cahya, A. Luthfiarta, J. I. T. Krisna, S. Winarno, and A. Nugraha, “Improving Multi-label Classification Performance on Imbalanced Datasets Through SMOTE Technique and Data Augmentation Using IndoBERT Model,” J. Nas. Teknol. dan Sist. Inf., vol. 9, no. 3, pp. 290–298, 2024, doi: 10.25077/teknosi.v9i3.2023.290-298.
[13] N. R. P. Syallya, A. A. Pravitasari, and A. Helen, “NLP-Based Intent Classification Model for Academic Curriculum Chatbots in Universities Study Programs,” J. RESTI, vol. 9, no. 1, pp. 111–117, 2025, doi: 10.29207/resti.v9i1.6276.
[14] D. A. Agustina, S. Subanti, E. Zukhronah, P. S. Statistika, and U. S. Maret, “Implementasi Text Mining Pada Analisis Sentimen Pengguna Twitter Terhadap Marketplace di Indonesia Menggunakan Algoritma Support Vector Machine,” Indones. J. Appl. Stat., vol. 3, no. 2, pp. 109–122, 2021.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Elma Regina Nababan, I Made Dendi Maysanjaya, Gede Surya Mahendra
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Teknologi dan Informatika (Teknomatika) is licensed under CC BY-SA 4.0
