EVALUASI HYPERPARAMTER TUNING PADA SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI ULASAN HOTEL DI TRIPADVISOR

Fiashintha Dewi; Nur Cahyo Hendro Wibowo; Maya Rini Handayani; Khothibul Umam

doi:10.29100/jipi.v10i3.7774

EVALUASI HYPERPARAMTER TUNING PADA SUPPORT VECTOR MACHINE (SVM) DALAM KLASIFIKASI ULASAN HOTEL DI TRIPADVISOR

Fiashintha Dewi
Nur Cahyo Hendro Wibowo
Maya Rini Handayani
Khothibul Umam

DOI: https://doi.org/10.29100/jipi.v10i3.7774

Abstract

Dengan adanya perkembangan teknologi para wisatawan sangat dimudahkan dalam mengakses informasi mengenai pemesanan kamar hotel. Dengan adanya hal tersebut, maka ulasan dari pengguna lain sangatlah penting untuk menemukan tempat yang mereka inginkan. Studi ini membahas tentang analisa ulasan para wisatawan mengenai hotel pada Tripadvisor. Tripadvisor adalah salah satu platform pan-duan wisata terbesar di dunia, yang menawarkan wisatawan untuk merencakan serta memperoleh perjalanan memuaskan. Data diambil melalui website Hugging Face yang kemudian dilanjutkan dengan proses pre-processing data. Dataset yang digunakan berjumlah 20.491 ulasan, terdiri dari 15.093 ulasan positif dan 5.938 ulasan negatif. Tujuan dari penelitian ini untuk mengevaluasi performa model SVM dalam melakukan klasifikasi sentimen pada ulasan hotel di Tripadvi-sor. Untuk mengoptimalkan performa model, dilakukan hyperparame-ter tuning menggunakan metode GridSearchCV. Hasil menunjukkan bahwa model default SVM memiliki akurasi 91%, namun recall pada kelas negatif masih rendah (0,75). Setelah tuning, akurasi sedikit menurun menjadi 90%, tetapi recall kelas negatif meningkat menjadi 0,77. Model terbaik diperoleh pada kombinasi parameter C = 10, gamma = 0,01, dan kernel = linear, dengan precision 0,92, recall 0,94, dan f1-score 0,80. Tuning terbukti meningkatkan keseimbangan klas-ifikasi antar kelas dan sensitivitas terhadap ulasan negatif. Hasil ini menegaskan pentingnya hyperparameter tuning dalam mengoptimal-kan performa dan generalisasi model SVM pada analisis sentimen dengan data yang tidak seimbang.

Keywords

Hyperparameter Tuning; SVM; Tripadvisor

Full Text:

PDF

Article Metrics :

References

A. M. Ndapamuri, D. Manongga, and A. Iriani, “Analisis Sentimen Ulasan Aplikasi Tripadvisor Dengan Metode Support Vector Machine, K-Nearest Neighbor, Dan Naive Bayes,” INOVTEK Polbeng - Seri Inform., vol. 8, no. 1, p. 127, 2023, doi: 10.35314/isi.v8i1.3260.

R. Sarudin, “Analisis Online Review Tripadvisor . Com Terhadap Minat Pembelian Produk Jasa Akomodasi Di Hotel Manhattan Tripadvisor . Com Review Online Analysis on the Interest of Buying Accommodation Services in Hotel,” J. Hosp. dan Pariwisata, vol. 7, pp. 33–46, 2021.

S. Suparyati and A. Fathurrahman, “Analisis Sentimen Dengan Klasifikasi Naïve Bayes pada Review Hotel Tripadvisor,” J. Ilm. Inform., vol. 10, no. 01, pp. 20–24, 2022, doi: 10.33884/jif.v10i01.4524.

B. Bayu Baskoro et al., “Analisis Sentimen Pelanggan Hotel di Purwokerto Menggunakan Metode Random Forest dan TF-IDF (Studi Kasus: Ulasan Pelanggan Pada Situs TRIPADVISOR),” J. Informatics Inf. Syst. Softw. Eng. Appl. (INISTA), , vol. Volume 3 N, no. 2, pp. 21–029, 2021, doi: 10.20895/INISTA.V3.

M. H. Aufan, M. R. Handayani, A. B. Nurjanna, and N. C. Hendro, “THE PERCEPTIONS OF SEMARANG FIVE STAR HOTEL TOURISTS WITH SUPPORT VECTOR MACHINE ON GOOGLE REVIEWS PERSEPSI WISATAWAN HOTEL BINTANG LIMA SEMARANG DENGAN,” J. Tek. Inform., vol. 5, no. 5, pp. 1241–1247, 2025.

A. Saputra, R. C. Sigitta Hariyono, and N. M. Saraswati, “Analisis Sentimen Pengguna Aplikasi MyPertamina Menggunakan Algoritma Bidirectional Long Short Term Memory,” J. Eksplora Inform., vol. 13, no. 2, pp. 156–163, 2024, doi: 10.30864/eksplora.v13i2.973.

V. W. D. Thomas and F. Rumaisa, “Analisis Sentimen Ulasan Hotel Bahasa Indonesia Menggunakan Support Vector Machine dan TF-IDF,” J. Media Inform. Budidarma, vol. 6, no. 3, p. 1767, 2022, doi: 10.30865/mib.v6i3.4218.

W. Nugraha and A. Sasongko, “Hyperparameter Tuning on Classification Algorithm with Grid Search,” Sistemasi, vol. 11, no. 2, p. 391, 2022, doi: 10.32520/stmsi.v11i2.1750.

Afis Julianto, Andi Sunyoto, and Ferry Wahyu Wibowo, “Optimasi Hyperparameter Convolutional Neural Network Untuk Klasifikasi Penyakit Tanaman Padi,” Tek. Teknol. Inf. dan Multimed., vol. 3, no. 2, pp. 98–105, 2022, doi: 10.46764/teknimedia.v3i2.77.

T. A. E. Putri, T. Widiharih, and R. Santoso, “Penerapan Tuning Hyperparameter Randomsearchcv Pada Adaptive Boosting Untuk Prediksi Kelangsungan Hidup Pasien Gagal Jantung,” J. Gaussian, vol. 11, no. 3, pp. 397–406, 2023, doi: 10.14710/j.gauss.11.3.397-406.

Q. Ain, E. Utami, and A. Nasiri, “Analisis sentimen: prediksi,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1586–1595, 2024.

Anugerah Simanjuntak et al., “Research and Analysis of IndoBERT Hyperparameter Tuning in Fake News Detection,” J. Nas. Tek. Elektro dan Teknol. Inf., vol. 13, no. 1, pp. 60–67, 2024, doi: 10.22146/jnteti.v13i1.8532.

A. M. Yolanda and R. T. Mulya, “Implementasi Metode Support Vector Machine untuk Analisis Sentimen pada Ulasan Aplikasi Sayurbox di Google Play Store,” VARIANSI J. Statisics Its Appl. Teach. Res., vol. 6, no. 2, pp. 76–83, 2024, doi: 10.35580/variansiunm258.

L. Trihardianingsih and G. S. Lasatira, “Optimasi Hyperparameter GridSearchCV pada Klasifikasi Kualitas Udara menggunakan Support Vector Machine,” JITU (Jurnal Inf. dan Teknol., vol. 1, no. 2, pp. 40–47, 2024.

M. Fajri and A. Primajaya, “Komparasi Teknik Hyperparameter Optimization pada SVM untuk Permasalahan Klasifikasi dengan Menggunakan Grid Search dan Random Search,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 14–19, 2023, doi: 10.30871/jaic.v7i1.5004.

R. Muzayanah, D. A. A. Pertiwi, M. Ali, and M. A. Muslim, “Comparison of gridsearchcv and bayesian hyperparameter optimization in random forest algorithm for diabetes prediction,” J. Soft Comput. Explor., vol. 5, no. 1, pp. 86–91, 2024, doi: 10.52465/joscex.v5i1.308.

S. Nauli, S. S. Berutu, H. Budiati, and F. Maedjaja, “Klasifikasi kalimat perundungan pada twitter menggunakan algoritma support vector machine,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 107–122, 2025.

J. P. Hidayat and I. Nurhaida, “Analisis sentimen pada ulasan lms pembelajaran menggunakan metode natural language processing,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 1, pp. 565–575, 2025.

N. Hadi and D. Sugiarto, “Analisis Sentimen Pembangunan IKN pada Media Sosial X Menggunakan Algoritma SVM , Logistic Regression dan Naïve Bayes,” J. Inform. J. Pengemb. IT, vol. 10, no. 1, pp. 37–49, 2025, doi: 10.30591/jpit.v10i1.7106.

R. Titik Misriati; Aryanti, “Optimasi Random Forest dan Support Vector Machine dengan Hyperparameter GridSearchCV untuk Analisis Sentimen Ulasan PrimaKu,” J. Inf. Syst. Res., vol. 5, no. 4, pp. 1333–1341, 2024, doi: 10.47065/josh.v5i4.5347.

I. Muhamad Malik Matin, “Hyperparameter Tuning Menggunakan GridsearchCV pada Random Forest untuk Deteksi Malware,” Multinetics, vol. 9, no. 1, pp. 43–50, 2023, doi: 10.32722/multinetics.v9i1.5578.

Z. Maisat, E. Darmawan, and A. Fauzan, “Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM Implementation of GridSearchCV Hyperparameter Optimization in Heart Attack Prediction System Using SVM,” Unipdu, vol. 13, no. 1, pp. 8–15, 2023.

E. I. Saputra et al., “OPTIMALISASI ALGORITMA SUPPORT VECTOR MACHINE PADA ASPECT-BASED SENTIMENT ANALYSIS,” Zo. J. Sist. Inf., vol. 7, no. 1, pp. 271–278, 2025.

L. González-Castro, M. Chávez, P. Duflot, V. Bleret, G. Del Fiol, and M. López-Nores, “Impact of Hyperparameter Optimization to Enhance Machine Learning Performance: A Case Study on Breast Cancer Recurrence Prediction,” Appl. Sci., vol. 14, no. 13, 2024, doi: 10.3390/app14135909.

Username
Password
Remember me