Analisis Ulasan Daring Menggunakan Metode Density-Based Spatial Clustering of Applications with Noise
Isi Artikel Utama
Abstrak
Penelitian ini menerapkan metode klaster berbasis kepadatan untuk menganalisis persepsi pengguna berdasarkan ulasan di Google Maps. Fokus penelitian ini terletak pada pengolahan data ulasan yang bersifat dinamis dan tidak memiliki label untuk menjawab kebutuhan pengelola dalam memahami sentimen publik. Sebanyak 399 data telah dikumpulkan melalui Apify, kemudian data diproses melalui tahap pembersihan, normalisasi, dan stemming. Representasi teks dilakukan dengan pembobotan frekuensi kata terhadap dokumen, sementara visualisasi WordCloud dimanfaatkan untuk mengidentifikasi kata-kata dominan yang mencerminkan persepsi positif sehingga dapat membantu memahami konteks sebelum proses pengelompokan. Metode Density-Based Spatial Clustering of Applications with Noise diterapkan untuk membentuk klaster ulasan. Hasil analisis menunjukkan bahwa metode ini mampu mengelompokkan ulasan dalam klaster berdasarkan kemiripan konten, meskipun sebagian data teridentifikasi sebagai gangguan. Temuan tersebut memberikan wawasan yang bermanfaat dalam memahami persepsi masyarakat, sehingga dapat membantu dalam pengambilan keputusan strategis. Dengan pemilihan parameter yang tepat, metode ini mampu menjadi pendekatan efektif untuk analisis sentimen ulasan publik lebih lanjut.
Unduhan
Data unduhan belum tersedia.
Rincian Artikel
Cara Mengutip
[1]
E. Hartono dan C. Fibriani, “Analisis Ulasan Daring Menggunakan Metode Density-Based Spatial Clustering of Applications with Noise”, JuTISI, vol. 11, no. 3, hlm. 475–485, Des 2025.
Terbitan
Bagian
Articles

Artikel ini berlisensi Creative Commons Attribution-NonCommercial 4.0 International License.
This is an open-access article distributed under the terms of the Creative Commons Attribution-NonCommercial 4.0 International License (https://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial used, distribution and reproduction in any medium.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.