Implementasi Attention-Based BiLSTM dengan LoRA Parameter Tuning untuk Analisis Sentimen Ulasan Destinasi Wisata

Abstract

Industri pariwisata merupakan salah satu sektor paling krusial dalam perekonomian Indonesia dan Bali, hal ini ditunjukkan oleh opini yang terdapat di media sosial dan situs pariwisata. Pada tahun 2024, situs informasi perjalanan TripAdvisor mengambil data sebanyak 31.1 juta ulasan objek wisata, yang mengungkap 2.7 juta ulasan palsu. Pengguna Indonesia menempati peringkat tertinggi dalam perihal jumlah ulasan berbayar, terutama untuk Bali, yang menempati posisi kedua di dunia dalam popularitas. Studi ini meneliti pengaruh metode parameter efficient fine-tuning, yaitu LoRA atau Low-Rank Adaptation, pada model Attention-Based Bi-directional Long-Short Term Memory (BiLSTM) dalam melakukan analisis sentimen ulasan objek wisata di Bali. Data yang dikumpulkan berasal dari ulasan wisata oleh pengguna di situs web TripAdvisor, yang terdiri dari 4966 sampel data. Berdasarkan evaluasi, model BiLSTM berbasis perhatian ini mencapai skor akurasi sebesar 0.78037 dibandingkan dengan model BiLSTM berbasis perhatian dengan LoRA, yang mencapai skor 0.79907. Waktu pelatihan untuk model Attention-Based BiLSTM dengan LoRA juga secara signifikan mengurangi waktu pelatihan dan penggunaan memori. Penelitian ini menunjukkan bahwa Low-Rank Adaptation efektif dalam meningkatkan kinerja dan efisiensi model ini. Kata kunci - Pariwisata Bali, Machine Learning, Analisis Sentimen, BiLSTM, LoRA