Analisis Big Data Sentimen Konsumen terhadap Peluncuran Menu Virtual Rotasi pada Restoran Ghost Kitchen
DOI:
https://doi.org/10.69688/asbak.v2i2.255Keywords:
Big Data, Analisis Sentimen, Ghost Kitchen, Menu Virtual Rotasi, Natural Language Processing (NLP), Konsumen DigitalAbstract
Penelitian ini bertujuan untuk menganalisis sentimen konsumen terhadap peluncuran menu virtual rotasi yang diterapkan oleh restoran ghost kitchen sebagai strategi inovasi dalam industri makanan berbasis digital. Ghost kitchen, sebagai konsep dapur tanpa ruang makan fisik, semakin populer di era ekonomi digital dan perilaku konsumen yang bergeser ke layanan pesan-antar daring. Studi ini menggunakan pendekatan big data dengan mengumpulkan lebih dari 10.000 ulasan dan komentar konsumen dari berbagai platform digital, seperti media sosial, forum kuliner, dan aplikasi pemesanan makanan, selama periode tiga bulan peluncuran menu. Analisis dilakukan menggunakan metode Natural Language Processing (NLP) dan teknik supervised machine learning, termasuk algoritma Naive Bayes dan Support Vector Machine (SVM), untuk mengklasifikasikan sentimen menjadi positif, negatif, dan netral. Hasil analisis menunjukkan bahwa mayoritas (68%) respon konsumen terhadap menu virtual rotasi bersifat positif, khususnya pada aspek variasi rasa dan pengalaman kuliner baru. Sementara itu, 21% bersifat netral, dan 11% negatif, dengan keluhan utama mengenai konsistensi rasa dan kurangnya informasi menu. Simpulan dari penelitian ini menyatakan bahwa peluncuran menu virtual rotasi diterima baik oleh konsumen, dan analisis sentimen big data dapat menjadi alat penting dalam mengukur respons pasar secara cepat dan akurat
References
Chen, X., Wang, Y., & Li, J. (2020). Big data analytics in the food industry: A review of trends and applications. International Journal of Information Management, 50, 46–57. https://doi.org/10.1016/j.ijinfomgt.2019.04.001
Liu, H., & Zhang, J. (2021). Sentiment analysis of online reviews in the restaurant industry using SVM and deep learning approaches. Journal of Retailing and Consumer Services, 62, 102600. https://doi.org/10.1016/j.jretconser.2021.102600
Gupta, S., Kaur, R., & Bansal, A. (2022). Evaluating brand reputation of cloud kitchens using sentiment analysis on social media. Procedia Computer Science, 199, 245–253. https://doi.org/10.1016/j.procs.2022.01.031
Alotaibi, R., Almalki, A., & Rana, O. (2020). Comparative study of Naive Bayes and SVM classifiers for sentiment analysis in food delivery services. Journal of Computer Science, 16(7), 984–993. https://doi.org/10.3844/jcssp.2020.984.99
Euromonitor International. (2020). Ghost Kitchens: The Future of Restaurants? Retrieved from https://www.euromonitor.com/
IndoNLU. (2021). Indonesian Natural Language Understanding Benchmark Dataset. Retrieved from https://github.com/indobenchmark/indonlu
NLTK Project. (2022). Natural Language Toolkit Documentation. Retrieved from https://www.nltk.org/
Sastrawi. (2021). Sastrawi: Indonesian Stemmer for Natural Language Processing. Retrieved from https://github.com/sastrawi/sastrawi
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., & Duchesnay, E. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830.
Liu, B. (2012). Sentiment Analysis and Opinion Mining. Synthesis Lectures on Human Language Technologies, 5(1), 1–167. https://doi.org/10.2200/S00416ED1V01Y201204HLT016
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Haposan Rahma Naibaho

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.









