Analisis Text Clustering Kebijakan Pembukaan Daerah Wisata pada Masa Pandemi Berbasis Densitas Spasial (DBSCAN)

Text Clustering Analysis of Tourism Area Opening Policy During Pandemic Times Based on Spatial Density (DBSCAN)

Clustering merupakan metode pengelompokkan data ke dalam suatu kelompok atau klaster menggunakan parameter tertentu sehingga objek dalam suatu klaster memiliki tingkat kemiripan yang sama. Pada penelitian ini dilakukan analisis text clustering terhadap komentar video youtube yang membahas tentang kebijakan pembukaan daerah wisata pada masa pandemi menggunakan algoritma DBSCAN serta membandingkannya dengan algoritma K-Means. Hasil dari penelitian ini diperoleh Silhouette Score sebesar 0.732 untuk algoritma DBSCAN dan sebesar 0.637 untuk algoritma K-Means. Hasil analisis dan identifikasi topik klaster DBSCAN menunjukkan bahwa klaster yang terbentuk menggunakan DBSCAN lebih baik daripada K-Means. Hal tersebut dapat terlihat dari kata-kata yang paling sering muncul pada tiap klaster. Klaster pertama dan ketiga yang terbentuk menggunakan K-Means masih terdapat kata-kata yang sama muncul, yakni kata "moga" dan "masuk". Topik tiap klaster menggunakan DBSCAN juga lebih mudah disimpulkan daripada K-Means karena tiap klasternya terkategori dengan baik berdasarkan jenis topik dalam komentarnya. Topik pada klaster pertama menggunakan DBSCAN yaitu mengenai kebijakan karantina di Indonesia pada pembukaan negara bagi wisatawan mancanegara, sedangkan klaster kedua mengenai harapan agar cepat bangkit dan ucapan syukur atas kebijakan yang diterapkan. Selain itu DBSCAN juga menghasilkan noise sebanyak 9 noise. Maka disimpulkan bahwa penggunaan algoritma DBSCAN lebih baik daripada algoritma K-Means untuk mengelompokkan data teks berupa komentar.

Clustering is a method of grouping data into a group or cluster using certain parameters so that objects in a cluster have the same level of similarity. In this study, text clustering analysis was carried out on YouTube video comments discussing the policy of opening tourist areas during the pandemic using the DBSCAN algorithm and comparing it with the K-Means algorithm. The results of this study obtained a Silhouette Score of 0.732 for the DBSCAN algorithm and 0.637 for the K-Means algorithm. The results of the analysis and identification of DBSCAN cluster topics showed that the clusters formed using DBSCAN were better than K-Means. This can be seen from the words that appear most often in each cluster. The first and third clusters formed using K-Means still have the same words appearing, namely the words "moga" and "masuk". The topic of each cluster using DBSCAN is also easier to conclude than K-Means because each cluster is well categorized based on the type of topic in the comments. The topic in the first cluster using DBSCAN is regarding the quarantine policy in Indonesia at the opening of the country to foreign tourists, while the second cluster is about hopes for a quick rise and gratitude for the policies implemented. In addition, DBSCAN also produces 9 noises. It is concluded that the use of the DBSCAN algorithm is better than the K-Means algorithm for classifying text data in the form of comments.