digilib@itb.ac.id +62 812 2508 8800

MENJELAJAHI KEPUASAN AIRBNB DI 5 KOTA TUJUAN WISATA TERBAIK DI INDONESIA: PERSPEKTIF PEMBELAJARAN MESIN

Penulis : Avisenna Abimanyu [29121414]
Kontributor / Dosen Pembimbing :
  • Meditya Wasesa, S.T., M.Sc., Ph.D.
Jenis Koleksi : Tesis
Penerbit : Magister Bisnis dan Administrasi - Teknologi
Fakultas : Sekolah Bisnis dan Manajemen
Subjek : General management
Kata Kunci : LDA (Latent Dirichlet Allocation), Regresi Linear, BERT (Representasi Encoder Dua Arah dari Transformers), UMAP (Proksimasi dan Proyeksi Manifold Seragam), RMSE (Root Mean Square Error), MAE (Mean Absolute Error), kemungkinan log, kebingungan, siluet, dll.
Sumber :
Staf Input/Edit : Yose Ali Rahman  
File : 1 file
Tanggal Input : 08 Agu 2023

Penelitian ini menyajikan wawasan kepuasan pelanggan Airbnb di Indonesia dengan menggunakan model pembelajaran mesin pada data Airbnb. Untuk mengembangkan model, penelitian ini memanfaatkan data Airbnb dari website Airbnb sebagai data utama untuk proses pembelajaran mesin melalui web scraping dan data analisis pendukung dari Badan Pusat Statistik Indonesia (BPS Indonesia). Ulasan pelanggan, daftar atribut penilaian (komunikasi, kebersihan, akurasi, nilai ekonomi, lokasi, check-in, ulasan total, area, dan harga.), dan kota ditetapkan sebagai prediktor. Penulis menggunakan metode pembelajaran mesin yang berbeda seperti regresi linier, analisis sentimen, LDA, dan BERT masing-masing dengan variabel prediktornya masing-masing. Untuk metode regresi penulis menggunakan 5 komposisi data yang berbeda berdasarkan kota dan untuk metode pembelajaran mesin berbasis NLP penulis menggunakan 8 komposisi data yang berbeda: 3 bagian berdasarkan periode waktu dari keseluruhan data dan 5 bagian berdasarkan kota dari keseluruhan data. Untuk mengevaluasi model, penulis menggunakan root mean square error (RMSE) dan mean absolute error (MAE) untuk regresi linier. Untuk LDA, penulis menggunakan kemungkinan log dan skor kebingungan. Untuk BERT, penulis menggunakan skor siluet. Dalam regresi linier, dengan menggunakan korelasi bobot sebelum memasukkan fitur-fitur penting ke dalam model, kami mendapatkan variasi yang berbeda dari pentingnya daftar atribut penilaian untuk setiap kota. Setiap kota memiliki skor RMSE dan MAE yang baik untuk memprediksi hasil. Dari analisis sentimen, pengguna Airbnb di Indonesia merasa puas dengan listing di Indonesia. Dengan perbandingan antara puas dan tidak puas sebesar 59:1. Dengan Lombok, Surabaya, dan periode 2011-2015 memiliki selisih review positif dan negatif tertinggi. Dari Topic Modelling, hal yang dapat meningkatkan kepuasan pelanggan negatif adalah perbaikan tempat, fasilitas, kebersihan, dan akomodasi. Setiap kota dan setiap periode waktu tidak memiliki perbedaan besar dalam topik yang dibahas, topik yang dibahas kurang lebih tentang tempat, kebersihan, fasilitas, lokasi, makanan, dan pelayanan. Tempat adalah kata kunci yang paling umum ditemukan.

Artikel Terkait