Implementasi Text Mining dalam Perbaikan Kualitas Restoran berdasarkan Ulasan Pelanggan

Abstract

Yogyakarta merupakan kota yang dikenal dengan berbagai kuliner khasnya. Salah satu restoran yang terkenal dalam menyajikan masakan khas daerah yaitu restoran Gudeg Yu Djum. Gudeg Yu Djum merupakan salah satu restoran yang berdiri pada tahun 1950 dan bergerak di bidang kuliner khas daerah berupa makanan gudeg. Restoran ini memiliki ulasan di situs travel terbesar di dunia yaitu TripAdvisor. Di dalam situs tersebut, terdapat 675 ulasan Bahasa Indonesia yang dibuat oleh pengunjung mengenai restoran Gudeg Yu Djum. Ulasan yang diberikan oleh pelanggan mengenai restoran beraneka macam, mulai dari ulasan positif hingga ulasan negatif. Dilakukan penelitian terkait ulasan restoran Gudeg Yu Djum dengan pendekatan aplikasi text mining yaitu analisis sentimen. Metode yang digunakan dalam menganalisis data yaitu K- Means Clustering dengan tujuan membuat klasterisasi dari data ulasan restoran Gudeg Yu Djum, mengidentifikasi ulasan yang bersifat negatif, dan menganalisis ulasan tersebut dengan diagram fishbone untuk perbaikan kualitas layanan restoran. Hasil dari penelitian ini yaitu terbentuknya cluster data ulasan restoran sebanyak 3 cluster dengan topik pada masing-masing cluster yaitu cluster 0 yang merupakan kelompok ulasan mengenai rasa makanan, pelayanan, harga, dan kenyamanan. Cluster 1 merupakan kelompok ulasan mengenai menu, rasa, harga, dan eksistensi restoran. Terakhir cluster 2 merupakan kelompok ulasan yang membahas tentang rasa dan tekstur dari gudeg dan krecek. Hasil cluster yang terbentuk kemudian dilakukan proses visualisasi wordcloud dan asosiasi kata menggunakan metode association rule agar mendapatkan informasi yang lebih akurat. Dari hasil asosiasi kata, didapatkan aturan asosiasi kata yang bersifat negatif. Aturan asosiasi kata yang bersifat negatif tersebut dianalisis menggunakan diagram fishbone dan terdeteksi 7 permasalahan yang terjadi pada restoran Gudeg Yu Djum yang terbagi menjadi 5 aspek yaitu place, process, product, people, dan price.