Optimasi LDA untuk Analisis Keluhan Nasabah Perbankan dengan Grid Search

Abstract

Penelitian ini bertujuan untuk menganalisis topik pada data keluhan nasabah perbankan menggunakan metode Latent Dirichlet Allocation (LDA) yang disempurnakan dengan penyetelan parameter menggunakan Grid Search. Dataset berasal dari situs ConsumerFinance.gov dengan total 6,3 juta entri keluhan dari tahun 2011 hingga 2024, dan 50% data digunakan untuk menjaga representasi dan menyederhanakan analisis. Dalam analisis ini, metode LDA digunakan untuk mengidentifikasi topik-topik tersembunyi, sementara Grid Search meningkatkan koherensi model. Hasil penelitian menunjukkan bahwa keluhan nasabah dapat dikelompokkan ke dalam 10 topik utama, seperti masalah laporan keluhan (25,67%), kesalahan pembayaran (18,10%), otorisasi data (12,20%), dan kebijakan kredit (10,77%). Optimasi parameter berhasil meningkatkan skor koherensi model dari 0,49 menjadi 0,56, mencerminkan peningkatan kualitas clustering topik. Perbandingan metode LDA standar dan LDA dengan Grid Search menunjukkan bahwa metode optimasi memberikan nilai rata-rata koherensi lebih tinggi (0,52 vs. 0,42). Dengan temuan ini, model LDA yang telah di optimasi dapat digunakan oleh industri perbankan untuk memahami dan menangani keluhan pelanggan dengan lebih efektif.This study aims to analyze topics in banking customer complaint data using the Latent Dirichlet Allocation (LDA) method, enhanced with parameter tuning via Grid Search. The dataset is sourced from ConsumerFinance.gov, containing a total of 6.3 million complaint entries from 2011 to 2024, with 50% of the data used to maintain representation and simplify analysis. In this analysis, the LDA method is employed to identify hidden topics, while Grid Search enhances model coherence. The results indicate that customer complaints can be categorized into 10 main topics, including complaint report issues (25.67%), payment errors (18.10%), data authorization (12.20%), and credit policy (10.77%). Parameter optimization successfully improved the model's coherence score from 0.49 to 0.56, reflecting an enhancement in topic clustering quality. A comparison between standard LDA and LDA with Grid Search reveals that the optimization method yields a higher average coherence score (0.52 vs. 0.42). This study provides insights into common complaints received by banks and key terms such as "report," "authorization," and "investigation," which can assist banks in better understanding and addressing customer complaints more effectively.