Di tengah persaingan pasar yang semakin dinamis, kemampuan perusahaan dalam memahami kebutuhan pelanggan secara cepat dan akurat menjadi faktor penentu keberhasilan. Namun, tantangan muncul ketika ulasan pelanggan daring ditulis dalam bentuk teks pendek, tidak baku, dan kaya konteks bahasa alami yang sulit diolah oleh metode analisis tradisional. Menjawab tantangan ini, Tamara Kartika, mahasiswa Program Magister Teknik Industri, Departemen Teknik Mesin dan Industri (DTMI) UGM, melalui penelitian tesisnya yang berjudul “Pengembangan Kerangka Identifikasi Prioritas Pengembangan Atribut Produk Berbasis Ulasan Pelanggan Daring” mengembangkan sebuah kerangka kerja (framework) identifikasi prioritas pengembangan atribut produk berbasis ulasan pelanggan daring dengan memanfaatkan Large Language Models (LLMs). Tamara memaparkan hasil penelitiannya tersebut dalam Seminar Hasil pada Selasa (12/08).
Metode analisis text mining konvensional seperti Latent Dirichlet Allocation (LDA) dan analisis sentimen tradisional terbukti memiliki keterbatasan dalam menangkap nuansa aspek dan konteks bahasa alami. Dalam penelitiannya, Tamara merancang kerangka kerja prompting berbasis LLMs yang menggabungkan topic modeling dan aspect-based sentiment analysis (ABSA). Pendekatan ini dievaluasi melalui perbandingan beberapa teknik prompting, termasuk zero-shot, alternative, dan few-shot, untuk menilai koherensi topik, pola sentimen, dan konsistensi hasil.
Hasil penelitian menunjukkan bahwa LLM-based prompting memiliki keunggulan signifikan dalam memahami konteks ulasan dibandingkan metode LDA, menghasilkan topik yang lebih koheren, serta klasifikasi sentimen yang lebih akurat. Integrasi kerangka kerja ini dengan Opportunity Algorithm dan model IPA-Kano memungkinkan pemetaan prioritas pengembangan atribut produk secara lebih strategis. Visualisasi hasil dalam bentuk Opportunity-Kano Diagram mampu mengidentifikasi atribut yang penting namun belum terpenuhi (underserved attributes), memberikan wawasan berharga bagi perusahaan dalam merumuskan langkah pengembangan produk yang responsif dan berbasis data.
Menurut Tamara, pendekatan ini tidak hanya relevan untuk perusahaan yang ingin memanfaatkan ulasan pelanggan daring secara lebih efektif, tetapi juga dapat menjadi alat bantu pengambilan keputusan yang adaptif di era digital. “Dengan memanfaatkan Large Language Models, kita dapat menggali informasi yang lebih kaya dari ulasan pelanggan yang sering kali terabaikan oleh metode tradisional. Hasilnya adalah pengambilan keputusan yang lebih tepat sasaran dan berorientasi pada kebutuhan pelanggan,” ujarnya.
Kontributor: Maryanti, A.Md.
Penyusun: Gusti Purbo Darpitojati, S.I.Kom.
