Text Mining Menggunakan Algoritma K-Means Clustering Untuk Memprediksi Keinginan Pasar Terkait Perjalanan Wisata

  • Eka Sabna STMIK Hang Tuah Pekanbaru
  • Budi Mustika STMIK Hang Tuah Pekanbaru
  • Hendry Fonda STMIK Hang Tuah Pekanbaru
  • Dedy Irfan Universitas Negeri Padang
  • Ambiyar Ambiyar Universitas Negeri Padang

Abstract

Penelitian ini akan dibahas mengenai bagaimana cara pengelompokan (clustering) data berupa teks di media sosial twitter dengan menggunakan algoritma K-means. Metode ini digunakan untuk mendapatkan deskripsi dari sekumpulan data dengan cara mengungkapkan kecenderungan setiap individu data untuk berkelompok dengan individu-individu data lainnya. Data diperoleh dari media sosial yang dijadikan objek penelitian adalah Twitter. Sampel penelitian paling banyak 250 (dua ratus limapuluh) buah tweet tweet terkait wisata. Tools atau aplikasi yang digunakan dalam implementasi text mining pada penelitian ini adalah Rapidminer Studio v.9.7. Penelitian ini dilaksanakan di PT. Hika Raya Berkah sebuah perusahaan yang bergerak dalam usaha jasa biro perjalanan wisata, baik dalam negeri maupun mancanegara.  Berdasarkan analisis data yang telah dilakukan terhadap tweets dengan kata pencarian “wisata pantai” dan dilanjutkan dengan clustering menggunakan RapidMiner Studio, menghasilkan kata “pantai” dan “kidul” menempati posisi paling tinggi. Sedangkan jika dilihat berdasarkan nama pantai, diperoleh hasil kata  “lombok”. Dari hasil inilah perusahaan dapat menyimpulkan bahwa objek wisata pantai yang populer pada saat ini adalah  gunung kidul di Yogyakarta dan pantai lombok di Nusa Tenggara Barat

References

Cahyono, A. S. (2016). Pengaruh media sosial terhadap perubahan sosial masyarakat di Indonesia. Jurnal Publiciana, 9(1), 140-157.
Öztürk, N., & Ayvaz, S. (2018). Sentiment analysis on Twitter: A text mining approach to the Syrian refugee crisis. Telematics and Informatics, 35(1), 136-147.
Melyanti, R., & Iqbal, M. (2020). Sistem Informasi Manajemen Penelitian Dan Pengabdian Masyarakat Di Bagian P3m (Studi Kasus: Stmik Hang Tuah Pekanbaru). Jurnal Ilmu Komputer, 9(2), 165-176.
Mustika, B., Sabna, E., & Irawan, Y. (2020). Implementasi Text Mining Pada Twitter Dengan Algoritma K-Means Clustering Sebagai Dasar Kebijakan Marketing Biro Perjalanan Wisata. Jurnal Ilmu Komputer, 9(2), 134-147.
Nababan, A. P. R., Lumenta, A. S. M., Rindengan, Y. D., Pontoh, F. J., & Akay, Y. V. (2020). Analisis Sentimen Twitter Pasca Pengumuman Hasil Pilpres 2019 Menggunakan Metode Lexicon Analysis. Jurnal Teknik Informatika, 15(1), 33-44.
Rosid, M. A., Fitrani, A. S., Astutik, I. R. I., Mulloh, N. I., & Gozali, H. A. (2020, June). Improving text preprocessing for student complaint document classification using sastrawi. In IOP Conference Series: Materials Science and Engineering (Vol. 874, No. 1, p. 012017). IOP Publishing.
Sabna, E. (2020). Analisis Text Mining Dari Hasil Wawancara. Jurnal Ilmu Komputer, 9(1), 46-48.
Salloum, S. A., Al-Emran, M., Monem, A. A., & Shaalan, K. (2017). A survey of text mining in social media: facebook and twitter perspectives. Adv. Sci. Technol. Eng. Syst. J, 2(1), 127-133.
Sosiawan, E. A. (2020). Penggunaan situs jejaring sosial sebagai media interaksi dan komunikasi di kalangan mahasiswa. Jurnal Ilmu Komunikasi, 9(1), 60-75.
Vishwakarma, S., Nair, P. S., & Rao, D. S. (2017). A Comparative Study of K-means and K-medoid Clustering for Social Media Text Mining. INTERNATIONAL JOURNAL, 2(11).
Published
2020-12-29
How to Cite
Sabna, E., Mustika, B., Fonda, H., Irfan, D., & Ambiyar, A. (2020). Text Mining Menggunakan Algoritma K-Means Clustering Untuk Memprediksi Keinginan Pasar Terkait Perjalanan Wisata. INTECOMS: Journal of Information Technology and Computer Science, 3(2), 380-386. https://doi.org/https://doi.org/10.31539/intecoms.v3i2.1702
Abstract viewed = 15 times
PDF downloaded = 20 times