Skyline Query untuk Rekomendasi Ekowisata Berdasarkan Sentimen Menggunakan Apache Spark
View/ Open
Date
2019Author
Lapatta, Nouval Trezandy
Djatna, Taufik
Hermadi, Irman
Metadata
Show full item recordAbstract
Ekowisata adalah jenis pariwisata yang memiliki daya tarik tersendiri seperti adanya pemandangan alami, flora dan fauna yang langka atau wahana edukasi yang berkaitan dengan alam. Sebagian besar penyedia layanan wisata online saat ini tidak menyediakan pertanyaan spesifik seperti dalam persyaratan ekowisata. Sehingga dirasa perlu untuk mengusulkan fitur knowledge discovery yang efektif untuk mendukung bisnis ekowisata tersebut, terutama dalam layanan online.
Dengan banyaknya transaksi teks dan sumber daya yang tersedia dari berbagai lembaga saat ini, skyline query berbasis text mining diusulkan untuk memberikan rekomendasi ekowisata secara online sesuai dengan preferensi pengguna. Misalnya, destinasi ekowisata dengan jarak yang dekat dan rating yang tinggi. Analisis sentimen diterapkan pada komentar pengunjung untuk mengetahui kelas sentimennya, apakah positif, negatif atau netral. Banyaknya preferensi yang dipertimbangkan, ukuran data yang besar, dan proses analisis sentimen yang dilakukan menyebabkan kompleksitas yang tinggi. Metode konvensional dengan komputasi tunggal akan membutuhkan waktu yang lama untuk memproses rekomendasi tersebut. Oleh karena itu, penelitian ini menerapkan komputasi klaster untuk menghasilkan rekomendasi ekowisata menggunakan skyline query pada banyak komputer secara paralel melalui framework Apache Spark.
Proses analisis sentimen yang dilakukan menggunakan algoritme SentiStrength berhasil memperoleh skor akurasi sebesar 78.3% dan F-measure sebesar 84.5%. Hal ini mengindikasikan bahwa sistem rekomandasi yang diusulkan berhasil mendeteksi respon positif melalui komentar pengunjung dengan baik. Adapun penerapan metode komputasi klaster Apache Spark dengan tiga node komputer berhasil meningkatkan kecepatan proses pemeringkatan objek rekomendasi dibandingkan dengan metode komputasi tunggal, yakni 213.7 kali lebih cepat pada data correlated, 240 kali lebih cepat pada data independent, dan 288.1 kali lebih cepat pada data anti-correlated. Sebagai prototipe untuk akses pengguna, telah dikembangkan sebuah aplikasi mobile Android. Melalui aplikasi tersebut, pengguna hanya perlu memilih preferensinya dan selanjutnya sistem akan memberikan rekomendasi destinasi ekowisata terbaik dengan sentimen positif.