Analisis Sentimen Ulasan Konsumen E-Commerce dengan Deep Learning untuk Menganalisis Efektivitas Obat Penyembuh Luka Caesar.

Abstract

Perkembangan teknologi membawa kemudahan di bidang kesehatan, salah satunya melalui metode persalinan Sectio caesarea. Namun, luka pasca operasi perlu penanganan yang tepat agar tidak mengalami infeksi dan proses penyembuhan yang lama. Disisi lain, albumin dapat mempercepat proses regenerasi sel epitel dan penyembuhan luka karena memiliki kandungan yang kaya akan protein. Ikan Channa striata merupakan sumber albumin alami yang efektif, sehingga banyak dimanfaatkan sebagai bahan utama produk kesehatan, termasuk produk Channamix dari Medika Care, PT. Medika Mulya Utama, yang diklaim mampu mempercepat penyembuhan luka dan mengurangi risiko terhadap bekas luka. Produk ini cukup populer dan mendapat banyak ulasan dari konsumen serta memiliki rating yang sangat tinggi di berbagai platform e-commerce dan menganalisis produk melalui ulasan konsumen secara manual tidak efisien terutama pada produk dengan ribuan ulasan.

Penelitian ini bertujuan mengembangkan model analisis sentimen pada ulasan konsumen untuk menggali informasi tentang keefektifan produk Channamix dalam menyembuhkan luka berdasarkan persepsi konsumen yang sudah merasakan khasiat dari produk tersebut, yang diharapkan dapat memberikan kemudahan bagi calon konsumen lainnya dalam memilih produk yang berkualitas. Pengembangan analisis sentimen ini memanfaatkan algoritma deep learning berbasis transformer khusus bahasa Indonesia yaitu IndoBERT dan IndoXLNet yang diterapkan pada data ulasan konsumen produk Channamix di toko Medika Care Official Shop dari platform Shopee dan Tiktok Shop. Ulasan dikumpulkan menjadi dataset yang disimpan dalam format CSV untuk dianalisis lebih lanjut menggunakan kedua algoritma tersebut.

Permasalahan ketidakseimbangan data juga menjadi perhatian dalam penelitian ini, karena produk dengan rating tinggi sejalan dengan ulasan yang didominasi oleh komentar positive dan menyebabkan dataset menjadi tidak seimbang. Analisis data ulasan dengan kondisi tersebut sering membuat model mengalami bias, karena model akan lebih banyak dilatih dengan data mayoritas (positive) dan kurang ‘belajar’ terhadap data kelas minoritas (negative). Oleh sebab itu penelitian ini selain membandingkan performa kedua model, juga mengevaluasi model dengan dan tanpa pendekatan penanganan data tidak seimbang. Pada penelitian ini, ada beberapa pendekatan penanganan data tidak seimbang yang digunakan untuk dibandingkan kemampuannya dalam meningkatkan performa model.

Selain analisis sentimen, penelitian ini juga mengkaji penerapan metode pemodelan topik menggunakan Non-Negative Matrix Factorization (NMF) untuk menggali informasi yang lebih mendalam dari ulasan konsumen. Pemodelan topik dilakukan untuk mengidentifikasi kata kunci utama yang sering muncul dalam ulasan, baik pada sentimen positive, neutral, maupun negative. Oleh sebab itu penelitian ini juga bertujuan memberikan gambaran yang lebih komprehensif mengenai aspek-aspek produk yang paling banyak diperhatikan oleh konsumen berdasarkan hasil analisis sentimen.

Hasil penelitian menunjukan model mampu mencapai akurasi yang bervariasi pada setiap model dan pendekatan penganganan data tidak seimbang yang diterapkan. Sebelum diterapkan teknik penanganan data tidak seimbang pada model IndoBERT dan IndoXLNet, hasil evaluasi model didapatkan akurasi pada kelas positive mampu mencapai 91% dan 96,82%, sedangkan akurasi pada kelas negative hanya mencapai 81,25% dan 75% saja. Hal ini menandakan bahwa model mengalami bias karena model hanya mampu memahami data pada kelas positive. Setelah diterapkan teknik penanganan data tidak seimbang, model mampu mengatasi permasalahan bias tersebut. Pada model IndoBERT, model mampu mencapai performa terbaik dengan pendekatan random oversampling dan TF-IDF dengan SMOTE. Pada hasil penerapan random oversampling, akurasi model pada kelas positive mencapai 94,17%, akurasi pada kelas neutral mencapai 92%, dan akurasi pada kelas negative mencapai 93,75% yang menjelaskan kalau model mampu mengklasifikasikan semua kelas data dengan baik. Model IndoXLNet mendapatkan kinerja terbaik dengan pendekatan random oversampling dan class-weighted loss. Pada hasil model dengan class-weighted loss, akurasi pada kelas positive mencapai 94,70%, neutral mencapai 94%, dan negative mencapai 87,50%.

Berdasarkan hasil secara keseluruhan terhadap performa model dengan atau tanpa pendekatan penanganan data tidak seimbang, IndoBERT mampu memberikan hasil yang lebih stabil dan konsisten dibandingkan dengan IndoXLNet, dan penerapan penanganan data tidak seimbang juga mampu meningkatkan performa kedua model terutama dalam mengklasifikasikan ulasan sentimen negative yang jumlahnya lebih sedikit. Selain itu, penerapan NMF juga menghasilkan analisis pemodelan topik dengan nilai coherence score mencapai 0,5074 dengan memodelkan 5 topik utama di masing-masing kelas data. Hasil yang didapatkan, sebagian besar ulasan pada kelas positive menangkap kata kunci terkait kepuasan konsumen terhadap khasiat produk dalam mempercepat proses penyembuhan luka. Sementara itu, hasil pemodelan topik pada ulasan neutral, lebih banyak membahas mengenai komentar harapan konsumen terhadap khasiat produk. Sedangkan hasil pemodelan topik ulasan kelas negative menyoroti kata kuci mengenai keluhan tentang efek samping yang dirasakan oleh konsumen.