ANALISIS SENTIMEN TERHADAP KEPUASAN PELANGGAN MENGGUNAKAN METODE KLASIFIKASI PADA PT OTOKLIX INDONESIA

Penulis

  • Willy Novianto Universitas Budi Luhur
  • Wiwin Windihastuty Universitas Budi Luhur

Kata Kunci:

Analisis Sentimen, Confusion Matrix, Kepuasan Pelanggan, Otomotif

Abstrak

Kepuasan pelanggan merupakan indikator penting dalam menilai kualitas produk, layanan, dan pengalaman yang diberikan oleh sebuah perusahaan. PT. Otoklix Indonesia, startup yang bergerak di industri otomotif sejak 2019, berusaha untuk memahami kepuasan pelanggan melalui analisis sentimen terhadap ulasan pelanggan. Penelitian ini bertujuan untuk mengidentifikasi tingkat kepuasan pelanggan dan mengoptimalkan data yang ada agar dapat digunakan secara efektif dalam analisis sentimen. Dalam penelitian ini, peneliti melakukan analisis data sebanyak 4.353 ulasan pelanggan yang dikumpulkan selama satu tahun terakhir, dengan 3.481 ulasan digunakan sebagai data latih dan 871 ulasan sebagai data uji. Proses analisis dilakukan dengan pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) dan memanfaatkan algoritma Logistic Regression untuk membangun model prediksi. Evaluasi model menggunakan confusion matrix menghasilkan akurasi sebesar 94,60%, presisi 94,26%, dan recall 94,60%. Analisis ini dilakukan menggunakan Jupyter Notebook dan bahasa pemrograman python. Hasil penelitian menunjukkan bahwa analisis sentimen efektif dalam mengidentifikasi dan memprediksi tingkat kepuasan pelanggan, yang pada gilirannya dapat membantu PT. Otoklix Indonesia memperbaiki strategi layanan mereka. Pengoptimalan data yang sebelumnya kurang dimanfaatkan kini dapat memberikan wawasan yang lebih dalam tentang persepsi dan ekspektasi pelanggan, memungkinkan perusahaan untuk mengambil keputusan yang lebih tepat sasaran dan meningkatkan kepuasan pelanggan secara keseluruhan.

Referensi

A. E. Pratama, A. Ariesta, and G. Gata, “Analisis Sentimen Masyarakat terhadap Tim Nasional Indonesia pada Piala AFF 2020 Menggunakan Algoritma K-Nearest Neighbors,” Jurnal TICOM: Technology of Information and Communication, vol. 10, no. 3, p. 2022.

I. L. L. Gaol, S. Sinurat, and E. R. Siagian, “Implementasi Data Mining Dengan Metode Regresi Linear Berganda Untuk Memprediksi Data Persediaan Buku Pada PT. Yudhistira Ghalia Indonesia Area Sumatera Utara,” KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 3, no. 1, 2019, doi: 10.30865/komik.v3i1.1579.

S. Huber, H. Wiemer, D. Schneider, and S. Ihlenfeldt, “DMME: Data mining methodology for engineering applications-A holistic extension to the CRISP-DM model,” in Procedia CIRP, Elsevier B.V., 2019, pp. 403–408. doi: 10.1016/j.procir.2019.02.106.

Y. A. Singgalen, “Analisis Sentimen dan Sistem Pendukung Keputusan Menginap di Hotel Menggunakan Metode CRISP-DM dan SAW,” Journal of Information System Research (JOSH), vol. 4, no. 4, pp. 1343–1353, 2023, doi: 10.47065/josh.v4i4.3917.

S. A. Assaidi and F. Amin, “Analisis Sentimen Evaluasi Pembelajaran Tatap Muka 100 Persen pada Pengguna Twitter Menggunakan Metode Logistic Regression,” Jurnal Pendidikan Tambusai, vol. 6, no. 2, pp. 13217-13227, 2022.

F. V. Sari and A. Wibowo, “Analisis Sentimen Pelanggan Toko Online Jd.Id Menggunakan Metode Naïve Bayes Classifier Berbasis Konversi Ikon Emosi,” Jurnal SIMETRIS, vol. 10, no. 2, pp. 681-686, 2019.

K. T. Putra, M. A. Hariyadi, and C. Crysdian, “Perbandingan Feature Extraction TF-IDF Dan Bow Untuk Analisis Sentimen Berbasis SVM,” Jurnal Cahaya Mandalika, vol. 3, no. 2, pp. 1449-1463, 2022.

M. Lestandy, A. Abdurrahim, and L. Syafa’ah, “Analisis Sentimen Tweet Vaksin COVID-19 Menggunakan Recurrent Neural Network dan Naïve Bayes,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 4, pp. 802–808, 2021, doi: 10.29207/resti.v5i4.3308.

M. H. Mahendra, D. T. Murdiansyah, and K. M. Lhaksmana, “Analisis Sentimen Tweet COVID-19 Menggunakan Metode K-Nearest Neighbors dengan Ekstraksi Fitur TF-IDF dan CountVectorizer,” Dike : Jurnal Ilmu Multidisiplin , vol. 1, no. 2, pp. 37-43, 2023.

S. S. Utami, “Analisis Sentimen Pengguna Twitter Mengenai ‘Sedotan Plastik’ Dengan Metode K-Nearest Neighbor (KNN) dan Neighbor-Weighted K-Nearest Neighbor (NWKNN),” Tugas Akhir, ITS Surabaya, 2019. https://repository.its.ac.id/64038/

Unduhan

Diterbitkan

30-09-2024

Cara Mengutip

Novianto, W., & Windihastuty, W. (2024). ANALISIS SENTIMEN TERHADAP KEPUASAN PELANGGAN MENGGUNAKAN METODE KLASIFIKASI PADA PT OTOKLIX INDONESIA. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 3(2), 281–288. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/1269

Terbitan

Vol 3 No 2 (2024): Prosiding SENAFTI Ke-5 September 2024

Bagian

Artificial Intelligence

Lisensi

Hak Cipta (c) 2024 Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI)

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.