Penelitian ini dilakukan menggunakan data ulasan pelanggan Aveta Hotel Malioboro di Yogyakarta dan menjadi salah satu contoh penerapan kecerdasan buatan untuk membantu pengelolaan reputasi digital di sektor perhotelan. Sistem yang dikembangkan tidak hanya membaca ulasan, tetapi juga mengelompokkan opini pelanggan menjadi positif atau negatif secara otomatis sehingga manajemen hotel dapat merespons lebih cepat.
Di era digital, ulasan daring menjadi salah satu faktor yang paling memengaruhi keputusan calon tamu sebelum memesan kamar. Platform seperti Google Maps membuat pengalaman pelanggan mudah diakses publik dan dapat membentuk citra sebuah hotel dalam waktu singkat. Masalahnya, semakin banyak jumlah ulasan, semakin sulit pula melakukan pemantauan secara manual.
Saat penelitian dilakukan, Aveta Hotel Malioboro telah mengumpulkan lebih dari 3.400 ulasan di Google Maps. Sistem yang digunakan sebelumnya masih mengandalkan pengecekan manual sehingga respons terhadap masukan pelanggan sering terlambat, terutama ketika jumlah aktivitas operasional sedang tinggi.
Untuk menjawab tantangan tersebut, tim peneliti membangun sistem pemantauan berbasis web yang memadukan metode machine learning dengan mekanisme pengambilan data otomatis dan sistem notifikasi instan.
Sebanyak 2.449 ulasan historis dikumpulkan dari Google Maps dengan rentang waktu Februari 2020 hingga Mei 2025. Data diperoleh menggunakan teknik pengambilan data berbasis tampilan halaman (Document Object Model scraping). Dari total tersebut, 2.402 ulasan berhasil diberi label sentimen dan digunakan sebagai dataset penelitian.
Distribusi data menunjukkan pola yang umum terjadi di industri perhotelan: mayoritas pelanggan memberikan ulasan positif.
Rinciannya:
- 2.152 ulasan (87,9%) bernada positif
- 250 ulasan (10,2%) bernada negatif
- 47 ulasan tidak dapat diklasifikasikan karena teks terlalu singkat atau tidak jelas
Sebelum dianalisis, seluruh teks dibersihkan dan diproses agar dapat dipahami oleh sistem. Tahapan ini mencakup penyederhanaan huruf, penghapusan simbol, pemisahan kata, normalisasi bahasa informal, penghilangan kata yang tidak relevan, hingga pengubahan kata menjadi bentuk dasar.
Peneliti kemudian membandingkan dua algoritma populer untuk analisis sentimen, yaitu Naive Bayes dan Support Vector Machine (SVM).
Hasilnya menunjukkan bahwa performa model sangat dipengaruhi oleh keseimbangan data.
Pada kondisi data asli:
- Naive Bayes menghasilkan akurasi 94,94%
- SVM menghasilkan akurasi 94,25%
Namun setelah dilakukan teknik penyeimbangan data (oversampling) untuk memperbanyak contoh ulasan negatif pada data pelatihan, hasilnya berubah.
Model SVM menjadi yang paling unggul dengan:
- Akurasi: 95,40%
- Presisi: 95,14%
- Recall: 95,40%
- F1 Score: 95,22%
Sementara performa Naive Bayes justru sedikit menurun setelah proses penyeimbangan data.
Menurut penulis, peningkatan kinerja SVM terjadi karena algoritma tersebut lebih efektif mempelajari batas pemisah antara ulasan positif dan negatif ketika distribusi data menjadi lebih seimbang.
Yang membuat penelitian ini menonjol bukan hanya tingkat akurasinya, tetapi implementasi langsung ke sistem operasional.
Model terbaik kemudian diintegrasikan ke dalam platform pemantauan berbasis web menggunakan Flask dan MySQL. Sistem tersebut mengambil ulasan terbaru secara berkala melalui SerpAPI, mengklasifikasikan sentimen secara otomatis, menyimpan hasil analisis, lalu mengirim notifikasi ke tim hotel melalui Telegram Bot.
Dashboard yang dikembangkan juga menampilkan ringkasan sentimen secara real-time, tren ulasan mingguan, rata-rata rating, kata kunci dominan, serta riwayat ulasan yang sudah dianalisis.
Pengujian sistem dilakukan pada 12 fitur utama, mulai dari login pengguna, pengambilan ulasan otomatis, deteksi ulasan duplikat, klasifikasi sentimen, hingga pengiriman notifikasi. Seluruh fitur dinyatakan berjalan sesuai rancangan.
Bagi industri perhotelan, pendekatan ini membuka peluang baru dalam pengelolaan pengalaman pelanggan. Hotel tidak lagi hanya mengumpulkan ulasan, tetapi dapat mengubah opini pelanggan menjadi informasi operasional yang bisa ditindaklanjuti dengan cepat.
Rinaldi Hamzah dan tim juga menilai pendekatan serupa dapat diperluas ke sektor lain yang sangat bergantung pada reputasi digital, seperti restoran, destinasi wisata, layanan kesehatan, hingga bisnis berbasis layanan pelanggan.
Ke depan, peneliti merekomendasikan perluasan data dari banyak hotel dan berbagai platform ulasan agar model menjadi lebih umum digunakan. Mereka juga membuka peluang penggunaan model berbasis transformer seperti IndoBERT untuk meningkatkan kemampuan memahami konteks bahasa Indonesia.
Arif Pramudwiatmoko, Universitas Teknologi Yogyakarta
0 Komentar