Online reviews are critical in supporting purchasing decisions because, with the development of e-commerce, there are more and more fake reviews, so more and more consumers are worried about being deceived in online shopping. Sentiment analysis can be applied to Marketplace product reviews. This study aims to compare the two categories of Naïve Bayes and XGBoost by using the two vector spaces wod2vec and TFIDF. The methods used in this research are data collection, data cleaning, data labelling, data pre-processing, classification and evaluation. The data scraping process produced 25,581 data which was divided into 80% training data and 20% test data. The data is divided into two classes, namely good sentiment and bad sentiment. Based on the research that has been done, the combination of Word2vec + XGBoost F1 scores higher by 0.941, followed by TF-IDF + XGBoost by 0.940. Meanwhile, Naïve Bayes has an F1-Score of 0.915 with TF-IDF and 0.900 with word2vec. Classification using XGBoost proved to be able to classify unbalanced data better than Naïve Bayes.

No abstract

Marketplace has become a popular online transaction medium with various features taken, one of the features that can be used for research is online reviews. Reviews can also be used as a data source for making various management decisions. Online reviews are very important in supporting purchasing decisions because of the development of e-commerce, there are more and more fake reviews so that more consumers are worried about online shopping. This cannot be denied because customer reviews can determine the level of customer satisfaction with the products that have been purchased. Sentiment analysis can be applied to Marketplace product reviews so that it can be used as product improvement suggestions for sellers and competitors so that they can find out what products are pleasing and needed by the community. Based on research that has been done, that the combination of Word2vec + XGBoost produces a higher F1 score of 0.941 followed by TF-IDF + XGBoost 0.940. Meanwhile, the SVM algorithm using vector space TF-IDF and Word2vec only produces 0.938 and 0.939. Meanwhile, Naïve Bayes has an F1-Score of 0.915 with TF-IDF and 0.900 with word2vec. Classification with word2vec in representing words into vectors is better than TF-IDF, this is because the advantages of word2vec are able to process semantic relations between words.

Dalam melakukan pengembangan pada sebuah platform dibutuhkan adanya perencanaan yang dilakukan secara optimal serta dilakukannya optimasi pada basis data sehingga data yang tersimpan dapat memiliki kualitas yang baik dan dapat berfungsi secara efektif dan efisien. Untuk mengoptimalkan dan mengatasi resiko permasalahan atau error yang timbul dalam pembuatan basis data, maka perlu dilakukan pengujian system basis data, ada beberapa cara atau metode yang dapat digunakan untuk mengukur kualitas database diantaranya aspek relevansi, aspek kebenaran, aspek minimalis, dan aspek konsistensi. Penelitian ini memiliki tujuan untuk mengetahui dan mengukur kualitas basis data atau database yang digunakan pada sistem informasi tour dan travel. Hasil dari penelitian ini menemukan rekomendasi skema basis data yang lebih optimal dan mengurangi redundansi sehingga dapat meningkatkan keutuhan kualitas suatu basis data pada sistem informasi tour dan travel.

Smart Tourism memiliki beberapa tujuan yaitu salah satunya adalah membantu mengembangkan sarana, fasilitas, infrastruktur dan kemampuan informasi untuk meningkatkan dan memfasilitasi inovasi produk, tata kelola dan meningkatkan ragam wisata sehingga dapat membantu meningkatkan kualitas daya saing perusahaan dan tempat tujuan wisata yang ada di daerah. perlu mengintegrasikan ekosistem pariwisata dengan menyediakan layanan travel planner yang memudahkan calon wisatawan untuk merencanakan perjalanannya sesuai selera dan budgetny. Pembuatan aplikasi atau sistem informasi pariwisata di daerah Yogyakarta ini dapat menutupi kekurangan aplikasi yang sudah dikembangkan pada peneliti sebelumnya. Metode Elisitasi yang digunakan pada penelitian ini adalah UML, Observasi dan Analisis dokumen. Observasi yang dilakukan dalam website pariwisata bertujuan untuk menganalisis kebutuhan-kebutuhan perangkat lunak untuk daerah Yogyakarta. Dalam melakukan observasi baik data maupun informasi dengan menggunakan pedoman observasi sehingga akan didapat data yang relevan dengan tujuan observasi. Ada tiga penyusun pedoman pariwisata yaitu konten pariwisata, sistem informasi saat ini, serta daya tarik wisatawan dalam berwisata. Dengan menerapkan observasi dalam menentukan informasi, sehingga dapat menggali kebutuhan sistem apa saja yang dapat dikembangkan. Dari hasil pencarian informasi dari kebutuhan perangkat lunak melalui metode observasi didapatkan fitur yang belum tersedia dan perlu dibuat adalah sistem rekomendasi tempat wisata sebagai salah satu fitur untuk mempermudah wisatawan menentukan objek wisata.