ANALISIS SISTEM REKOMENDASI PARIWISATA MENGGUNAKAN NAIVE BAYES CLASSIFIER DENGAN SELEKSI FITUR TERM FREQUENCY.

(1)

(2)

(3)

iv

ANALISIS SISTEM REKOMENDASI PARIWISATA MENGGUNAKAN NAIVE BAYES CLASSIF IER DENGAN SELEKSI FITUR TERM

F REQUENCY

ALFI MUHAMMAD ANWAR

Program Studi Informatika Fakultas FMIPA Universitas Sebelas Maret

ABSTRAK

Perkembangan bisnis pariwisata setiap tahun semakin berkembang pesat, sentimen setiap pengunjung obyek wisata adalah salah satu hal yang penting dalam perkembangan industri pariwisata. Dengan menggunakan Application Programming

Interface (API) Sosial media twitter akses untuk mendapatkan sentimen pengunjung

suatu lokasi wisata dapat dilakukan secara bebas. Pada penelitian ini penggunaan naive

bayes classifier dan term frequency digunakan dikarenakan penggunaan metode yang

sederhana dan memerlukan data yang tidak terlalu besar. Implementasi hasil klasifikasi pada map menggunakan haversine formula yang akan menampilkan lokasi di sekitar map. Data yang digunakan adalah hasil crawling pada Oktober 2016 untuk

training dan November 2016 untuk data uji. 3 hasil terbaik penghitungan akurasi pada

uji terhadap data training adalah 96,8% tanpa seleksi fitur, 96,8% untuk seleksi fitur penghilangan ciri dengan probabilitas kemunculan kata terkecil dan 93,6% untuk penggabungan seleksi fitur penghilangan ciri dengan probabilitas kemunculan kata terkecil dan probabilitas kemunculan kata terbesar pada beberapa kelas dan penghilangan nama lokasi wisata yang mengakibatkan penurunan jumlah kata dari 1264 kata sebelum menggunakan seleksi fitur dan setelah menggunakan seleksi fitur menjadi 577 kata, seleksi fitur tersebut digunakan pada uji terhadap data testing didapatkan hasil yang terbesar yaitu 84,7%. Penurunan akurasi antara data memorized

dan data testing kemungkinan dikarenakan karena beberapa data testing yang tidak

terdapat pada data yang diujikan.

(4)

v

ANALYSIS OF THE RECOMMENDATION SYSTEM OF TOURISM USING NAIVE BAYES CLASSIFIER WITH TERM FREQUENCY SELECTION

FEATURE

ALFI MUHAMMAD ANWAR

Department of Informatic Mathematic and Science Faculty Sebelas Maret University

ABSTRACT

The development of tourism business is growing rapidly every year, every tourist

sentiment is one of the things that are important in the development of the tourism

industry. Twitter social media is one way of assessing the tourist sentiment that can be

freely accessible by their Application Programming Interface (API). The naive bayes classifier and term frequency is used due to the simple methods whom it’s methods only require small usage data. Implementation of the results in is using haversine

formula on the maps that show a few location around map. The data is crawled from

twitter on October 2016 for the training data and November 2016 for the testing data,

location data are obtained from the reccomendation of google in October for Java,

Indonesia. The best 3 results of the measurement accuracy of memorized test is 96,8%

without using selection feature, 96,8% for selection feature with removing highest

probability words on sentence on more than one classes and 93,6% mixing removing

lowest probability words on sentence and highest probability words on sentence on

more than one classes with removing location name lead to a decrease the number of

words from 1264 word befor using feature selection into 577 after using feature

selection and it given highest result for the data test amounted 84,7%. Impairment of

accuracy between memorized and test result possibly due to there are few testing data

that does not include in the test data used.

(5)

vi MOTTO

(6)

vii

PERSEMBAHAN

Skripsi ini saya persembahkan untuk :

(7)

viii

KATA PENGANTAR

Segala puji syukur kehadirat Allah SWT, atas limpahan rahmat dah hidayah-Nya, sehingga penulis dapat menyelesaikan skripsi yang berjudul “Analisis Sistem Rekomendasi Pariwisata Menggunakan Naive Bayes Classifier dengan Seleksi Fitur Term Frequency”. Dalam menyelesaikan skripsi ini, Penulis mengucapkan terimakasih kepada semua pihak yang telah meluangkan waktu untuk memberikan bimbingan dan dukungan oleh berbagai pihak baik secara langsung maupun tidak langsung. Secara khusus, ucapan terimakasih penulis sampaikan kepada :

1. Drs. Bambang Harjito M,App.Sc., Ph.D selaku Kepala Program Studi Informatika yang telah memberikan dukungan selama proses penyusunan Tugas Akhir.

2. Bapak Ristu Saptono S.Si., M.T. selaku dosen pembimbing I atas ilmu yang diberikan, bimbingan, kebaikan serta kesabaran kepada penulis selama pelaksanaan Tugas Akhir.

3. Ibu Rini Anggrainingsih, S.T., M.T. selaku dosen pembimbing II atas ilmu yang diberikan, bimbingan, kebaikan serta kesabaran kepada penulis selama pelaksanaan Tugas Akhir.

4. Anita Budi Raharjo yang selama ini begitu sabar dalam memberikan dukungan selama penyusunan Tugas Akhir.

5. Teman-terdekat saya Yonathan Adi Kurnia, Dian Adi Nugroho, Anthony Juan, Rhesa Havilah, Adi Prasetya P atas segala bantuan dan support.

6. Martha Pritzanda, Sandi Suko, Edo Rizki, Debora Sakti, Elfrida Nathalita, Tittah Hayyu, Muhammad Arifudin, Lala Mareta, Andreas Bobola atas dukungan selama penulisan.

7. Teman-teman dari TKTC Fariz, Pardek, Affan, Galang, Imam, Irfan, Azza, Indra, Topik, Iam, Tri dan Unggul atas dukungan selama penulisan.

Penulis berharap agar skripsi ini dapat bermanfaat bagi berbagai pihak.

Surakarta, Januari 2017

(8)

ix DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERSETUJUAN ... Error! Bookmark not defined. HALAMAN PENGESAHAN ... ii

ABSTRAK ... iv

ABSTRACT ... v

MOTTO ... vi

PERSEMBAHAN ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... ix

DAFTAR TABEL ... xi

DAFTAR GAMBAR ... xii

DAFTAR LAMPIRAN ... xiii

PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Batasan Masalah ... 3

1.4 Tujuan Penelitian ... 3

1.5 Manfaat Penelitian ... 3

1.6 Sistematika Penulisan ... 4

TINJAUAN PUSTAKA ... 5

2.1 Dasar Teori ... 5

2.1.1. Text Mining ... 5

2.1.2. Term Frequency ... 6

2.1.3. Naive Bayes Classifier ... 7

2.1.4. Haversine Formula ... 8

2.2 Penelitian Terkait ... 8

METODOLOGI PENELITIAN ... 14

3.1 Pengumpulan Data ... 14

3.2 Preprocessing ... 14

(9)

x

3.4 Penerapan Naive Bayes Classifier ... 15

3.5 Penerapan Haversine Formula ... 15

3.6 Pengujian ... 16

HASIL DAN PEMBAHASAN ... 17

4.1 Deskripsi Data ... 17

4.2 Preprocessing ... 17

4.3 Feature Selection dengan Term Frequency Relative ... 19

4.4 Naive Bayes Classifier ... 23

4.5 Haversine Formula ... 24

4.6 Hasil Pengujian ... 26

4.7 Pembahasan ... 33

PENUTUP ... 36

5.1 Kesimpulan ... 36

5.2 Saran ... 36

DAFTAR PUSTAKA ... 38

(10)

xi

DAFTAR TABEL

Tabel 3.1. Contoh Perhitungan Accuracy, Precision dan Recall ... 16

Tabel 4.1. Waktu Pengambilan Data ... 17

Tabel 4.2. Hasil Case Folding ... 18

Tabel 4.3. Stopword Removal ... 19

Tabel 4.4. Contoh Hasil Term Frequency Relative ... 19

Tabel 4.4. Contoh Hasil Term Frequency Relative (Lanjutan) ... 20

Tabel 4.5. Contoh Hasil Seleksi Fitur 1 ... 20

Tabel 4.5. Contoh Hasil Seleksi Fitur 1 (Lanjutan) ... 21

Tabel 4.6. Contoh Hasil Seleksi Fitur 2 (Lanjutan) ... 22

Tabel 4.9. Contoh Hasil Perhitungan Naive Bayes Classifier ... 23

Tabel 4.10. Confusion Matrix Uji-1 Memorized ... 27

Tabel 4.13. Confusion Matrix Uji-4 Memorized (Lanjutan) ... 29

Tabel 4.15. Confusion Matrix Uji-1 Data Testing ... 30

(11)

xii

DAFTAR GAMBAR

(12)

xiii

DAFTAR LAMPIRAN

Tabel Lampiran 1. DataTraining 1-25 ... 39

Tabel Lampiran 1. Data Training 26-50 ... 40

Tabel Lampiran 2. Data Testing 1-7 ... 49

Tabel Lampiran 3. Daftar Lokasi wisata yang digunakan 1-26 ... 61

(13)

xiv

Tabel Lampiran 4. Hasil Klasifikasi Data Training 22-64 ... 65

Tabel Lampiran 5. Hasil Klasifikasi Data Testing 1-32 ... 71

Tabel Lampiran 6. Daftar Ciri Positif ... 79

Tabel Lampiran 6. Daftar Ciri Negatif ... 80

Tabel Lampiran 6. Daftar Ciri Netral ... 81

Tabel Lampiran 6. Daftar Ciri Netral ... 82