V-1
BAB V
KESIMPULAN DAN SARAN
Pada bab ini berisi mengenai kesimpulan dan saran dari penelitian yang dilakukan. Kesimpulan yang diberikan merupakan rangkuman dari hasil peneltian dan akan menjawab tujuan penelitian yang telah ditentukan sebelumnya. Selain kesimpulan, terdapat saran yang dapat diberikan untuk penelitian selanjutnya agar hasil penelitian menjadi lebih baik. Berikut merupakan kesimpulan dan saran yang diberikan dari hasil penelitian.
V.1 Kesimpulan
Pada bagian ini, akan dipaparkan kesimpulan berupa rangkuman dari hasil penelitian yang telah dilakukan. Rumusan masalah yang ingin dipecahkan dan telah ditentukan sebelumnya akan dijawab pada bagian ini. Berikut kesimpulan yang dapat diambil dari hasil penelitian yang telah dilakukan.
1. Aspek restoran Kampung Daun yang mempengaruhi tingkat kepuasan pelanggan adalah tempat dan pemandangan, fasilitas restoran, harga, suasana alam, kedatangan atau pengalaman, dan suasana restoran tradisional. Aspek restoran The House of Raminten yang mempengaruhi tingkat kepuasan pelanggan adalah harga, waktu tunggu, pengalaman, lokasi restoran, rasa makanan, menu makanan “ayam koteka”, restoran bergaya lokal, dan pelayanan restoran. Aspek Gabah Restaurant yang mempengaruhi tingkat kepuasan pelanggan adalah kedatangan atau pengalaman, rasa makanan, menu makanan lokal, pelayanan restoran, lokasi dan suasana restoran, dan rekomendasi.
2. Seluruh aspek restoran pada restoran Kampung Daun, The House of Raminten, dan Gabah Restaurant memiliki sentimen positif. Pada restoran Kampung Daun, sentimen terbobot untuk aspek tempat dan pemandangan sebesar 0.047, aspek fasilitas restoran sebesar 0.034, aspek harga sebesar 0.014, aspek suasana alam sebesar 0.012, aspek kedatangan atau pengalaman sebesar 0.025, dan aspek suasana restoran tradisional sebesar 0.013. Pada restoran The House of
BAB V KESIMPULAN DAN SARAN
V-2
Raminten, sentimen terbobot untuk aspek harga sebesar 0.107, aspek waktu tunggu sebesar 0.043, aspek pengalaman sebesar 0.019, aspek lokasi restoran sebesar 0.065, aspek rasa makanan sebesar 0.082, aspek menu makanan “ayam koteka” sebesar 0.0298, aspek restoran bergaya lokal sebesar 0.067, aspek pelayanan restoran sebesar 0.073. Pada Gabah Restaurant, sentimen terbobot untuk aspek kedatangan atau pengalaman sebesar 0.081, aspek rasa makanan sebesar 0.062, aspek lokasi dan suasana restoran sebesar 0.076, aspek pelayanan restoran sebesar 0.088, aspek rekomendasi sebesar 0.058, aspek menu makanan lokal sebesar 0.040.
3. Pada restoran Kampung Daun, tingkat kepentingan untuk aspek tempat dan pemandangan sebesar 0.051, aspek fasilitas restoran sebesar 0.057, aspek harga sebesar 0.048, aspek suasana alam sebesar 0.031, aspek kedatangan atau pengalaman sebesar 0.054, aspek suasana restoran tradisional sebesar 0.035. Pada restoran The House of Raminten, tingkat kepentingan untuk aspek harga sebesar 0.043, aspek waktu tunggu sebesar 0.053, aspek pengalaman sebesar 0.0298, aspek lokasi restoran sebesar 0.054, aspek rasa makanan sebesar 0.043, aspek menu makanan “ayam koteka” sebesar 0.042, aspek restoran bergaya lokal sebesar 0.052, aspek pelayanan restoran sebesar 0.037. Pada Gabah Restaurant, tingkat kepentingan untuk aspek kedatangan atau pengalaman sebesar 0.055, aspek rasa makanan 0.058, aspek lokasi dan suasana restoran 0.053, aspek pelayanan restoran sebesar 0.051, aspek rekomendasi sebesar 0.051, aspek menu makanan lokal sebesar 0.045.
4. Usulan perbaikan untuk meningkatkan kualitas restoran Kampung Daun pada aspek harga adalah menawarkan paket makanan dan minuman, memberikan promo pada event tertentu, dan mencari pemasok bahan baku makanan yang lain. Usulan perbaikan untuk meningkatkan kualitas restoran The House of Raminten pada aspek waktu tunggu adalah menggunakan sistem yang menunjukkan estimasi waktu tunggu dan merancang aplikasi daftar menu restoran berbasis smartphone. Usulan perbaikan untuk meningkatkan kualitas Gabah Restaurant pada aspek rasa makanan adalah membuat panduan tetap terhadap proses
BAB V KESIMPULAN DAN SARAN
V-3
pembuatan makanan dan minuman, menjaga standar bumbu dapur, dan melakukan stock opname.
V.2 Saran
Terdapat beberapa kekurangan dari penelitian yang dilakukan sehingga terdapat beberapa saran yang dapat diberikan oleh peneliti. Saran yang diberikan diharapkan dapat membuat penelitian selanjutnya dapat berjalan lebih baik.
Beberapa saran yang dapat diberikan adalah sebagai berikut.
1. Menggunakan data ulasan berbahasa Indonesia juga sehingga pengolahan data ulasan menjadi lebih lengkap
2. Menggabungkan beberapa lexicon yang digunakan untuk analisis sentimen agar kata-kata opini dalam lexicon semakin lengkap sehingga analisis sentimen yang dihasilkan semakin mendalam dan lengkap.
DAFTAR PUSTAKA
Astuti, L. D. P. & Puspitasari, R. (2018, 9 April). Kemenpar: Top 3 Motivasi Orang Berwisata adalah Kuliner. Viva. Diunduh dari https://www.viva.co.id.
Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python.
Massachusetts: O’Reilly Media, Inc.
Cambria E., Speer, R., Havasi, C., & Hussain, A. (2010). SenticNet: A Publicly Available Semantic Resource for Opinion Mining. AAAI Fall Symposium, 14-18.
Chen, Y., Zhang, R., Liu, R., Ye, Z., & Lin, J. (2019). Experimental explorations on short text topic mining between LDA and NMF based Schemes.
Knowledge-Based Systems, 1-13. doi: 10.1016/j.knosys.2018.08.011.
Chu, R. K., & Choi, T. (2000). An Importance-Performance Analysis of Hotel Selection Factors in the Hong Kong Hotel Industry: A Comparison of Business and Leisure Travellers. Tourism Management, 21(4), 363–377.
doi: 10.1016/S0261-5177(99)00070-9.
Evan, F. H. (2014). Pembangunan Perangkat Lunak Peringkas Dokumen Dari Banyak Sumber Berbasis Web Menggunakan Sentence Scoring Dengan Metode TF-IDF. Yogyakarta: UAJY.
George S. & Srividhya V. (2020). Comparison of LDA and NMF Topic Modelling Techniques for Restaurant Reviews. Indian Journal of Natural Science, 10(62), 976-997.
Ghag, K. V. & Shah, K. (2015). Comparative analysis of effect of stopwords removal on sentiment. International Conference on Computer, Communication and Control (IC4). doi: 10.1109/IC4.2015.7375527.
Gillis, N. (2014). The Why and How of Nonnegative Matrix Factorization.
Regularization, Optimization, Kernels, and Support Vector Machines, 1- 25.
Gonçalves, P., Araújo, M., Benevenuto, F., dan Cha M. (2014). Comparing and Combining Sentiment Analysis Methods. ACM. doi:
10.1145/2512938.2512951
Guillamet, D. & Vitrià, J. (2002). Determining a suitable metric when using non- negative matrix factorization. International Conference on Pattern Recognition (ICPR’02), vol: 2. doi: 10.1109/ICPR.2002.1048254.
Gustafsson, A., & Johnson, M. D. (2002). Measuring and Managing the Satisfaction-Loyalty-Performance Links at Volvo. Journal of Targeting, Measurement and Analysis for Marketing, 10(3), 249-258.
doi:10.1057/palgrave.jt.5740050.
Ingason, A.K., Helgadóttir, S., Loftsson, H., & Rögnvaldsson, E. (2008). A Mixed Method Lemmatization Algorithm Using a Hierarchy of Linguistic Identities (HOLI). GoTAL 2008, LNAI 5221, 205-216. doi: 10.1007/978-3-540- 85287-2_20.
Jeong, B., Yoon, J., & Lee, J. M. (2019). Social Media Mining for Product Planning:
A Product Opportunity Mining Approach Based on Topic Modeling.
International Journal of Information Management, 280-290 doi:
10.1016/j.ijinfomgt.2017.09.009.
Joung, J., Jung, K., Ko, S., & Kim, K. (2019). Customer Complaints Analysis Using Text Mining and Outcome-Driven Innovation Method for Market-Oriented Product Development. Sustainability, 11(1), 40. doi:
10.3390/su11010040.
Joung, J. & Kim, H. M. (2021). Approach for Importance Performance Analysis of Product Attributes From Online Reviews. Journal of Mechanical Design, 143 (8), 1-20. doi: 10.1115/1.4049865.
Jurafsky, D. S. & Martin, J. H. (2000). Speech and Language Processing “An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. New Jersey: Prentice-Hall, Inc.
Kamath, V. & Goswami, P. (2014). The DF-ICF Algorithm- Modified TF-IDF.
International Journal of Computer Applications, 93(13), 28-30. doi:
10.5120/16276-6036.
Lee, D. D. & Seung, H. S. (1999). Learning the Parts of Objects by Non-negative Matrix Factorization. Nature, 401(6755), 788–791. doi: 10.1038/44565.
Liu, B. (2012). Sentiment Analysis And Opinion Mining. Chicago: Morgan &
Claypool Publishers.
Liu, Q., Karahanna, E., & Watson, R. T. (2011). Unveiling user-generated content:
Designing websites to best present customer reviews. Journal of Business Horizons, 54(3), 231-240. doi: 10.1016/j.bushor.2011.01.004.
Martilla, J. A. & James, J. C. (1977). Importance-performance analysis. Journal of Marketing, 41, 77-79.
Martinez, C. L. (2013). Evaluation Report: Tools Cluster Networking Meeting #1.
Arizona: Center Point Institute.
Mimno, D., Wallach, H. M., Talley, E. M., Leenders, M., & McCallum A. (2011).
Optimizing Semantic Coherence in Topic Models. Empirical Mtehods in Natural Language Processing, 262-272.
Nugrahani, F. (2014). Metode Penelitian Kualitatif dalam Penelitian Pendidikan Bahasa. Solo: Cakra Books.
ReviewTrackers. (2021). 2021 Online Reviews Statistics and Trends: A Report by ReviewTrackers. Diakses pada 8 September 2021, dari https://www.reviewtrackers.com/reports/online-reviews-survey/.
Sarkar, D. (2019). Text Analytics with Python. Bangalore: Apress.
Sharma, D., Sabharwal, D., Goyal, D., & Vij, D. (2019). Sentiment Analysis Techniques for Social Media Data: A Review. First International Conference on Sustainable Technologies for Computational Intelligence, 75-90. doi:10.1007/978-981-15-0029-9_7.
Ulrich, K.T. & Eppinger, S.D. (2008). Product Design and Development 4th Edition.
New York: McGraw-Hill.
Vania, C., Ibrahim, M. & Adriani, M. (2014). Sentiment Lexicon Generation for an Under-Resourced Languange. IJCLA, 5(1), 59-72.
Zaman, B. & Winarko, E. (2011). Analisis Fitur Kalimat untuk Peringkas Teks Otomatis pada Bahasa Indonesia. IJCCS (Indonesian Journal of Computing and Cybernetics Systems). 5(2). doi:10.22146.
