Rancang Bangun Ekstraksi Ekspresi Kata Kerja pada Ulasan Pelanggan Dengan Text Chunking untuk Memaparkan Pengalaman Penggunaan Produk

Abstract

Saat ini, hampir seluruh situs e-commerce memiliki fitur ulasan pelanggan mengenai produk atau jasa yang telah dibeli dan dapat dibaca oleh seluruh pengguna Seiring berjalannya waktu, ulasan pelanggan tersebut terus bertambah semakin banyak, terutama pada produk dan jasa yang populer. Sehingga, e-commerce menambahkan beberapa fitur seperti rating, ulasan positif dan netral populer, dan beberapa fitur lainnya untuk memudahkan pengguna. Tetapi, hal yang luput diperhatikan oleh e-commerce adalah e-commerce tidak menonjolkan pengalaman seperti apa yang didapat pengguna saat menggunakan produk atau jasa. Padahal, pengalaman tersebut merupakan informasi penting bagi pengguna agar mengetahui kegunaan dan manfaat dari produk dan jasa tersebut. Banyaknya ulasan pengguna juga membuat pelanggan sulit memahami pengalaman penggunaan produk yang dirasakan karena membaca banyak ulasan tersebut cukup melelahkan. Oleh karena itu, diperlukan fitur yang dapat menampilkan pengalaman penggunaan produk secara ringkas sehingga pelanggan dapat mengetahui secara umum kegunaan dan manfaat dari produk tersebut. Pada penelitian ini, pengalaman penggunaan produk terbatas pada aktivitas yang dilakukan pengguna ketika memakai produk tersebut. Metode yang akan digunakan adalah membuat prototipe dengan Text Chunking untuk mengekstrak informasi mengenai pengalaman penggunaan produk dari ulasan pelanggan. Luaran yang diharapkan dari penelitian ini adalah perangkat lunak yang menampilkan daftar kata kerja yang sering muncul pada ulasan sebagai representasi aktivitas yang dilakukan pengguna ketika memakai produk. Pada penelian ini ditemukan bahwa ekstraksi ekspresi kata kerja menggunakan text chunking masih kurang efektif dikarenakan kalimat yang dihasilkan masih kurang sesuai dengan harapan setelah melakukan percobaan dengan menggunakan 3, 4 dan 5 chunks pada ekspresi frase kata kerja yang dihasilkan. Selain itu, tata bahasa dari kalimat yang dihasilkan juga masih kurang tepat dibandingkan dengan ulasan pelanggan yang sesungguhnya. Permasalahan tersebut dikarenakan dataset yang digunakan memiliki ejaan kata dan tata bahasa yang kurang tepat sehingga diharapkan penelitian selanjutnya dapat membuat model yang dapat melakukan chunking yang memiliki akurasi lebih tinggi dan memilih dataset yang tepat