Analisis Sentimen dan Pemodelan Topik Review Pelanggan pada Restoran Cepat Saji Menggunakan BiLSTM dan BERTopic

Deni Gunawan; Andi Prasetyo Wicaksono; Gandung Triyono

doi:10.30591/jpit.v11i2.10204

Analisis Sentimen dan Pemodelan Topik Review Pelanggan pada Restoran Cepat Saji Menggunakan BiLSTM dan BERTopic

Deni Gunawan, Andi Prasetyo Wicaksono, Gandung Triyono

Abstract

Restoran cepat saji di Indonesia terus berkembang, termasuk Restoran X yang bersaing dalam menarik dan mempertahankan pelanggan. Ulasan pada platform digital seperti Google Maps menjadi sumber informasi penting untuk memahami tingkat kepuasan pelanggan, keluhan, serta aspek layanan yang perlu ditingkatkan. Penelitian ini bertujuan menganalisis sentimen dan mengidentifikasi topik utama dalam ulasan pelanggan menggunakan kombinasi metode BiLSTM dan BERTopic. Kebaruan penelitian ini terletak pada integrasi pendekatan supervised learning dan unsupervised learning untuk memperoleh pemahaman yang lebih komprehensif terhadap persepsi pelanggan restoran cepat saji di Indonesia. Sebanyak 10.451 ulasan dari sembilan gerai dengan jumlah ulasan terbanyak pada periode 2016–2025 dikumpulkan dan dianalisis. Hasil penelitian memperlihatkan jika mayoritas ulasan mempunyai sentimen positif, dengan 7.762 ulasan berada pada kategori positif. Model BiLSTM menghasilkan akurasi senilai 78,6%, precision 81,6%, recall 83,5%, dan F1-score 82,5%, yang menunjukkan kinerja klasifikasi yang baik. Sementara itu, BERTopic berhasil mengidentifikasi topik-topik dominan yang berkaitan dengan pelayanan, kecepatan layanan, tingkat kepedasan makanan, dan variasi menu. Kontribusi penelitian ini adalah pengembangan kerangka analisis yang mampu mengidentifikasi sentimen pelanggan sekaligus mengungkap isu-isu utama yang memengaruhi pengalaman pelanggan. Temuan penelitian bisa diterapkan sebagai landasan penentuan kebijakan berlandaskan informasiuntuk meningkatkan kualitas layanan dan kepuasan pelanggan.

Keywords

analisis sentimen; BERTopic; BiLSTM; restoran cepat saji.

Full Text:

References

Ariyani et al, “Pengaruh Harga, Lokasi Dan Kualitas Layanan Terhadap Kepuasan Konsumen,” Jurnal Ekonomi Dan Manajemen, pp. 23–28, Jun. 2023.

Huang et al, “Analysis and Recognition of Food Safety Problems in Online Ordering Based on Reviews Text Mining,” Wirel Commun Mob Comput, vol. 2022, 2022, doi: 10.1155/2022/4209732.

Verma et al, “Opinion and Suggestion Mining on Customer Reviews,” Int J Res Appl Sci Eng Technol, vol. 11, no. 5, pp. 2524–2535, 2023, doi: 10.22214/ijraset.2023.52148.

Rigobon et al, “Business Closures and (Re)Openings in Real-Time Using Google Places: Proof of Concept,” Journal of Risk and Financial Management, vol. 15, no. 4, 2022, doi: 10.3390/jrfm15040183.

Wang et al, “Multi-task Learning with BERT in NLP.”

Royani et al, “Topic Modelling Latent Dirichlet Allocation untuk Klasifikasi Komentar pada Layanan Streaming Platform,” JST (Jurnal Sains dan Teknologi), vol. 12, no. 3, Jan. 2024, doi: 10.23887/jstundiksha.v12i3.68492.

Tahyudin et al, “Penerapan Teknik Heuristik untuk Meningkatkan Rekomendasi Produk dari Data Transaksi di Toko Jaffamart Menggunakan Query SQL,” vol. 17, no. 1, pp. 50–71, 2025.

R. A. Prasetyo, "Perbandingan Algoritma Logistic Regression, Support Vector Machine, dan Random Forest untuk Analisis Sentimen Ulasan Pengguna GoPay," Jurnal Informatika: Jurnal Pengembangan IT, vol. 10, no. 4, pp. 1178–1188, 2025.

Angga et al, “Analisis Sentimen Pengguna Aplikasi MyPertamina Menggunakan Algoritma Bidirectional Long Short Term Memory,” Jurnal Eksplora Informatika, vol. 13, no. 2, pp. 156–163, Mar. 2024, doi: 10.30864/eksplora.v13i2.973.

A. Muzakir and U. Suriani, "Model Deteksi Berita Palsu Menggunakan Pendekatan Bidirectional Long Short Term Memory (BiLSTM)," J. Comput. Inf. Syst. Ampera, vol. 4, no. 2, pp. 93–105, May 2023, doi: 10.51519/journalcisa.v4i2.397.

Q. Aini, M. N. F. Hidayat, and A. Tholib, "Analisis Sentimen Hasil Pemilu (Quick Count) Calon Presiden dan Wakil Presiden 2024 di Media Sosial X Menggunakan Metode Bidirectional Long Short-Term Memory (BiLSTM)," Journal of System and Cybernetics, vol. 5, no. 3, 2024, doi: 10.47065/josyc.v5i3.5223.

Grootendorst, “BERTopic: Neural topic modeling with a class-based TF-IDF procedure,” Mar. 2022, [Online]. Available: http://arxiv.org/abs/2203.05794

Zhu et al, “BERTopic-Driven Stock Market Predictions: Unraveling Sentiment Insights,” Apr. 2024, [Online]. Available: http://arxiv.org/abs/2404.02053

Nursyahrina et al, “Metode BERTopic dan LDA untuk Analisis Tren Penelitian Bidang Ilmu Komputer,” Jurnal KomtekInfo, pp. 332–341, Sep. 2024, doi: 10.35134/komtekinfo.v11i4.580.

Franco et al, “Modelling the structure of the sports management research field using the bertopic approach,” pp. 648–663, 2023.

Wahyuni et al, “Development of Authentic Assessment Models in Research Methods Courses,” 2022.

Álvarez et al, “Streamlining Text Pre-Processing and Metrics Extraction,” in Frontiers in Artificial Intelligence and Applications, IOS Press BV, Oct. 2022, pp. 55–58. doi: 10.3233/FAIA220314.

R. K. Dey and A. K. Das, “Modified term frequency-inverse document frequency based deep hybrid framework for sentiment analysis,” Multimed Tools Appl, vol. 82, no. 21, pp. 32967–32990, Sep. 2023, doi: 10.1007/s11042-023-14653-1.

Z. Labd, S. Bahassine, K. Housni, F. Z. A. H. Aadi, and K. Benabbes, “Text classification supervised algorithms with term frequency inverse document frequency and global vectors for word representation: A comparative study,” International Journal of Electrical and Computer Engineering, vol. 14, no. 1, pp. 589–599, Feb. 2024, doi: 10.11591/ijece.v14i1.pp589-599.

F. Lan, “Research on Text Similarity Measurement Hybrid Algorithm with Term Semantic Information and TF-IDF Method,” Advances in Multimedia, vol. 2022, 2022, doi: 10.1155/2022/7923262.

Jain et al, “A Diagnostic Approach to Assess the Quality of Data Splitting in Machine Learning,” Jun. 2022, [Online]. Available: http://arxiv.org/abs/2206.11721

George et al, “An integrated clustering and BERT framework for improved topic modeling,” International Journal of Information Technology (Singapore), vol. 15, no. 4, pp. 2187–2195, Apr. 2023, doi: 10.1007/s41870-023-01268-w.

Xu et al, “Supplementary Features of BiLSTM for Enhanced Sequence Labeling,” Jun. 2023, [Online]. Available: http://arxiv.org/abs/2305.19928

Areshey et al, “Transfer Learning for Sentiment Classification Using Bidirectional Encoder Representations from Transformers (BERT) Model,” Sensors, vol. 23, no. 11, Jun. 2023, doi: 10.3390/s23115232.

DOI: https://doi.org/10.30591/jpit.v11i2.10204