Computer File

Identifikasi kebutuhan dan preferensi konsumen terhadap produk headset berdasarkan online reviews

Headset merupakan produk yang telah banyak digunakan dalam kehidupan
sehari-hari dan semakin dibutuhkan dalam kegiatan daring pada saat pandemi COVID-19.
Untuk bersaing di pasar headset yang terus meningkat, keinginan pasar harus dipenuhi.
Untuk memenuhi keinginan pasar, kebutuhan konsumen perlu dipahami. Selain kebutuhan
konsumen, preferensi konsumen juga penting dalam menjelaskan perilaku konsumen.
Seiring berjalannya waktu, penggunaan internet terus meningkat, begitu juga data online
reviews produk headset yang dapat dimanfaatkan untuk mengetahui kebutuhan dan
preferensi konsumen. Hal ini juga menimbulkan tantangan bagi perusahaan yaitu data
yang kurang terstruktur dan waktu pengolahan data yang lebih lama.
Latent Dirichlet Allocation (LDA) dan Non-Negative Matrix Factorization (NMF)
merupakan metode topic modelling yang dapat digunakan untuk menentukan aspek-aspek
produk berdasarkan data review. Setelah itu, dapat dilakukan analisis sentimen untuk
membandingkan sentimen terhadap setiap aspek produk. Melalui aspek-aspek yang
teridentifikasi, juga dapat diidentifikasi kebutuhan dan preferensi konsumen. LDA
merupakan metode probabilistik dan NMF merupakan metode non-probabilistik. Pada
penelitian ini, akan dilakukan perbandingan topic modelling dengan Latent Dirichlet
Allocation (LDA) dan Non-Negative Matrix Factorization (NMF).
Berdasarkan pengolahan data, aspek-aspek yang teridentifikasi adalah
durabilitas produk, penggunaan produk, noise cancellation, bagian-bagian produk, kualitas
produk secara umum, dan customer service. Kebutuhan dan preferensi konsumen
diidentifikasi berdasarkan aspek-aspek tersebut. Analisis sentimen pada headset yang
mengalami penurunan rating menunjukkan perubahan skor sentimen untuk setiap aspek
sebelum dan sesudah tahun 2020. Usulan diberikan untuk produk yang sudah ada di
pasaran dan untuk produk yang sedang dalam pengembangan berdasarkan kebutuhan
dan preferensi yang teridentifikasi. Berdasaekan perbandingan metode LDA dan NMF,
LDA lebih baik karena terdapat lebih sedikit kata kunci yang muncul bersamaan dalam
beberapa aspek sekaligus dibandingkan dengan NMF.

Ketersediaan

Informasi Detail

Judul Seri

No. Panggil

TI CAN i/21

Penerbit

Bandung : Program Studi Teknik Industri Fakultas Teknologi Industri - UNPAR., 2021

Deskripsi Fisik

xi, D-3 p. : il. ; 30 cm

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

-

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

5644 - FTI

Pernyataan Tanggungjawab

Yoko Gunawan Candra

Versi lain/terkait

Lampiran Berkas

Komentar