Perpustakaan Digital ITB

Sebagai perusahaan yang bergerak di industri fashion, Adorable Projects perlu mengetahui preferensi pasar untuk pengembangan produknya. Jenis produk yang pertama ditawarkan dan menjadi produk unggulan hingga saat ini adalah produk alas kaki. Selama keberjalanannya, Adorable Projects bergantung pada ulasan konsumen untuk memperoleh insight mengenai kebutuhan konsumen. Ulasan konsumen mengenai produk alas kaki mereka membanjiri berbagai kanal, salah satunya adalah WhatsApp Customer Service perusahaan. Ulasan yang diterima melalui kanal tersebut dikumpulkan dalam satu dataset untuk dianalisis. Namun, sampai saat ini, analisis preferensi konsumen pada dataset tersebut belum dilaksanakan secara maksimal. Oleh karena itu, diperlukan alat bantu yang dapat membantu memetakan sentimen ulasan dan topik apa saja yang dibahas pada ulasan. Penelitian ini dilakukan untuk menjawab kebutuhan tersebut dengan membangun model text mining yang dapat menganalisis sentimen dan topik-topik pada produk alas kaki Adorable Projects. Metodologi yang digunakan pada penelitian ini adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan tahapan pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Dataset ulasan produk alas kaki yang dimiliki Adorable Projects diklasifikasikan menjadi tiga sentimen, yaitu negatif, netral, dan positif. Proses klasifikasi dilakukan dengan menggunakan dua model, yaitu machine learning dengan algoritma Support Vector Machine (SVM) dan deep learning dengan algoritma Bidirectional Long Short-Term Memory (Bi-LSTM). Kemudian, dipilih model yang menghasilkan performansi terbaik dari kedua model tersebut untuk diterapkan pada prototipe yang dirancang. Selain klasifikasi, penelitian ini melakukan analisis topik pada setiap sentimennya dengan menggunakan metode Latent Dirichlet Allocation (LDA). Model SVM yang telah melalui proses hyperparameter tuning menghasilkan performansi terbaik pada penelitian ini dengan akurasi sebesar 91%. Kemudian, pemodelan LDA menghasilkan 13 topik optimal untuk sentimen negatif, 9 topik optimal untuk sentimen netral, dan 3 topik optimal untuk sentimen positif. Prototipe dirancang dengan framework Streamlit dan telah memenuhi seluruh kebutuhan berdasarkan verifikasi. Hasil validasi prototipe menunjukkan bahwa sistem prototipe memiliki fungsionalitas yang baik untuk perusahaan.