ANALISIS SENTIMEN ULASAN GOOGLE MAPS HOTEL GRAND MANSION BLITAR MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DENGAN OPTIMASI HYPERPARAMETER

Perkembangan platform digital seperti Google Maps membuat ulasan pelanggan menjadi sumber informasi penting bagi industri perhotelan dalam mengevaluasi kualitas layanan. Namun, tingginya volume ulasan yang tidak terstruktur serta
adanya ketidakseimbangan kelas sentimen (imbalanced data) menyebabkan pihak manajemen kesulitan untuk mengidentifikasi masalah dan mengevaluasi kepuasan pelanggan secara cepat, akurat, dan objektif. Oleh karena itu, penelitian ini bertujuan untuk menerapkan algoritma Convolutional Neural Network (CNN-1D) dalam klasifikasi sentimen ulasan Google Maps Hotel Grand Mansion Blitar, membandingkan performa model sebelum dan sesudah optimasi hyperparameter menggunakan Grid Search berdasarkan evaluasi Confusion Matrix (akurasi, presisi, recall, F1-score), serta memetakan prioritas layanan menggunakan Importance Performance Analysis (IPA). Data diperoleh melalui teknik web scraping menggunakan Webscraper.io dengan jumlah awal sebanyak 1.580 ulasan mentah. Setelah melalui proses validasi, preprocessing, pelabelan otomatis, tokenisasi, padding, dan seleksi tambahan, sebanyak 723 ulasan digunakan pada tahap modelling. Representasi teks dilakukan menggunakan Word2Vec. Hasil penelitian menunjukkan bahwa berdasarkan evaluasi Confusion Matrix, model baseline memperoleh accuracy sebesar 66,21%, precision 76,77%, recall 66,21%, dan F1 score 70,45%. Setelah optimasi, model terbaik diperoleh dengan kombinasi filters = 32, kernel size = 3, dropout rate = 0,3, dan learning rate = 0,001, dengan accuracy meningkat menjadi 81,38%, precision 84,80%, recall 81,38%, dan F1-score 82,92%. Hasil IPA menunjukkan bahwa atribut kondisi kamar (interior) berada pada Kuadran I sebagai prioritas utama perbaikan. Dengan demikian, optimasi hyperparameter terbukti meningkatkan performa klasifikasi sentimen secara signifikan, sedangkan IPA membantu menghasilkan rekomendasi evaluasi layanan yang lebih terarah bagi manajemen hotel.