PERBANDINGAN EFEKTIVITAS MODEL NON-NEGATIVE MATRIX FACTORIZATION (NMF) DAN TOP2VEC UNTUK PEMODELAN TOPIK (STUDI KASUS: TRAVELOKA REVIEWS OF HOTEL KEMPINSKI JAKARTA)

Abstract

Ulasan pelanggan di platform Online Travel Agent (OTA) seperti Traveloka telah menjadi aset digital krusial yang secara langsung memengaruhi reputasi dan keputusan pemesanan dalam industri perhotelan. Namun, volume ulasan dalam bentuk teks tidak terstruktur yang masif menyulitkan manajemen untuk mengekstrak wawasan strategis secara efisien. Informasi berharga mengenai sentimen terhadap fasilitas, kualitas layanan, dan aspek pengalaman lainnya berisiko terabaikan, sehingga menciptakan kebutuhan mendesak akan metode analisis otomatis. Penelitian ini bertujuan untuk membandingkan efektivitas dua pendekatan pemodelan topik Non-Negative Matrix Factorization (NMF) yang berbasis ko-okurensi statistik, dan Top2Vec yang berbasis kedekatan semantik, pada data ulasan Hotel Kempinski Jakarta. Setelah melalui tahap pra-pemrosesan teks, data yang didominasi ulasan positif ini dianalisis menggunakan kedua model. Hasilnya, model NMF berhasil mengekstrak 10 topik yang lebih spesifik dan granular seperti ‘kebersihan kamar’ dan ‘sarapan pagi’, dengan mencapai skor koherensi (C_v) sebesar 0.4813. Sebaliknya, model Top2Vec secara otomatis mengidentifikasi 3 topik konseptual yang lebih luas seperti ‘pengalaman menginap keluarga’, dengan skor koherensi 0.3140. Berdasarkan keunggulan skor koherensi yang signifikan, model NMF terbukti lebih baik dan dinilai paling efektif untuk mengekstrak topik yang koheren serta mudah diinterpretasikan. Temuan ini mengindikasikan bahwa untuk analisis teks ulasan dengan tujuan identifikasi aspek layanan yang spesifik, pendekatan NMF memberikan hasil yang lebih optimal.

Kata Kunci: Hotel Kempinski Jakarta, Natural Language Processing, NMF, Pemodelan Topik, Top2Vec