EVALUASI KOMPARATIF MODEL SVM, CNN, BIGRU, HIBRIDA CNN-BIGRU, DAN BIGRU-ATTENTION PADA ULASAN TRAVELOKA HOTEL BINTANG EMPAT DI KOTA PADANG

Abstract

Ulasan hotel pada platform OTA memuat opini pelanggan yang dapat dimanfaatkan untuk memahami persepsi terhadap layanan hotel. Penelitian ini mengevaluasi enam model klasifikasi sentimen, yaitu TF-IDF + SVM, CNN, BiGRU, CNN-BiGRU, BiGRU-CNN, dan BiGRU-Attention, pada 6.975 ulasan Traveloka dari delapan hotel bintang empat di Kota Padang. Keenam model dipilih untuk merepresentasikan spektrum pendekatan klasifikasi teks, yaitu TF-IDF + SVM sebagai baseline pembelajaran mesin berbasis fitur, CNN untuk menangkap pola lokal atau frasa penanda sentimen, BiGRU untuk memodelkan konteks sekuensial dua arah, CNN-BiGRU dan BiGRU-CNN untuk mengevaluasi pengaruh urutan pemrosesan fitur lokal dan sekuensial, serta BiGRU-Attention untuk menilai kontribusi pembobotan selektif terhadap bagian teks yang informatif. Dataset diberi label manual ke dalam tiga kelas sentimen, yaitu negatif, netral, dan positif, kemudian diproses melalui tahap pra-pemrosesan dan pembagian data dengan skema 70:15:15. Evaluasi dilakukan menggunakan accuracy, balanced accuracy, precision, recall, macro-F1, weighted-F1, MCC, confusion matrix, training time, dan inference time. Hasil evaluasi menunjukkan bahwa CNN memperoleh nilai macro-F1 tertinggi pada eksperimen ini, yaitu 0,7659, dengan accuracy 0,8052, weighted-F1 0,8100, dan MCC 0,6783. TF-IDF + SVM menjadi model paling ringan secara komputasi dengan waktu pelatihan 0,3348 detik dan waktu inferensi 0,0398 detik. Analisis confusion matrix menunjukkan bahwa kelas netral menjadi kelas yang paling sulit diklasifikasikan karena karakter ulasan yang ambigu dan memuat opini campuran. Temuan ini mengindikasikan bahwa pemilihan model klasifikasi sentimen perlu mempertimbangkan keseimbangan antara performa prediktif, efisiensi komputasi, distribusi kelas, dan kompleksitas arsitektur