Memprioritaskan Fitur Produk Berdasarkan Umpan Balik Pelanggan: Kerangka Kerja Komprehensif dengan Mengintegrasikan Analisis Sentimen dan Model Kano-IPA

Bandung, Agustus 2025 – Dalam dunia e-commerce yang berkembang pesat di era digital, ulasan pelanggan merepresentasikan bentuk ekspresi yang jujur terhadap performa suatu produk dan layanan. Menurut data dari Power Review, 53% pelanggan memberikan ulasan dalam 30 hari setelah pembelian, dengan total 12,2 juta ulasan terhadap 31.908 merek di platform Amazon.com dalam dua tahun terakhir. Volume data yang sangat besar dan terus bertumbuh ini menjadi aset berharga, memungkinkan perusahaan mengevaluasi kualitas produk dan layanan mereka dalam mengambil keputusan yang lebih tepat dan strategis untuk perbaikan dan pengembangan produk yang berbasis kepada preferensi pelanggan.

Dari perspektif bisnis, memperbaiki produk yang sudah ada sering kali lebih efektif dibandingkan dengan mengembangkan produk baru. Pengembangan produk baru memiliki risiko tinggi terkait penerimaan pasar, serta memerlukan waktu dan biaya yang signifikan untuk pengembangan dan penetrasi pasar. Melalui perbaikan produk yang ada, perusahaan dapat mengurangi risiko dan memastikan bahwa produk yang ditawarkan lebih sesuai dengan keinginan dan kebutuhan pelanggan.

Namun, ulasan dan komentar yang diberikan sering kali bersifat subjektif dan tidak terstruktur. Hal ini menyebabkan perusahaan mengalami kesulitan dalam mengolah, memahami kebutuhan pelanggan, memilih dan memprioritaskan fitur produk serta layanan yang paling penting bagi pelanggan. Kompleksitas ini semakin meningkat ketika produk memiliki banyak fitur yang berbeda, di mana beberapa fitur mungkin disukai atau tidak disukai oleh pelanggan.

Dalam penelitian ini, Murahartawaty merancang sebuah kerangka kerja komprehensif yang mengintegrasikan analisis sentimen dengan model Kano-IPA. Kerangka kerja ini bertujuan untuk menganalisis kebutuhan pelanggan terhadap produk secara akurat melalui ekstraksi data dari ulasan online, sehingga menghasilkan rekomendasi fitur prioritas untuk perbaikan kualitas produk di masa mendatang.

Analisis sentimen dilakukan dengan menerapkan Natural Language Processing (NLP) melalui pendekatan hibrida yang mengombinasikan metode berbasis lexicon dan machine learning untuk mengidentifikasi polaritas sentimen pelanggan—positif, negatif, atau netral—terhadap kualitas produk. Hasil dari analisis sentimen kemudian dipetakan ke dalam model Kano-IPA, yang digunakan untuk menentukan fitur-fitur kritis yang memerlukan perbaikan signifikan dan memiliki dampak terbesar terhadap peningkatan kepuasan pelanggan.

Sumber 📷: Dokumentasi Murahartawaty

Banyak studi sebelumnya hanya berfokus pada klasifikasi sentimen biner dengan mengabaikan sentimen netral, dan tidak mempertimbangkan ekstraksi serta identifikasi fitur yang secara implisit terdapat dalam ulasan pelanggan. Kesenjangan ini berpotensi menghasilkan temuan yang tidak lengkap mengenai fitur produk yang secara signifikan mempengaruhi kepuasan pelanggan. Oleh karena itu, penelitian ini bertujuan untuk mengatasi masalah tersebut dengan pendekatan yang lebih holistik.

Sumber 📷: Dokumentasi Murahartawaty

Sumber 📷: Dokumentasi Murahartawaty

Kerangka kerja yang dihasilkan diharapkan dapat menjadi alternatif bagi penerapan model Kano-IPA di industri, yang biasanya menggunakan metode kuesioner atau survei untuk mengumpulkan dan mengidentifikasi kebutuhan pelanggan. Hasil penelitian ini dapat diterapkan dan diadaptasi oleh berbagai industri yang berada dalam fase pengembangan produk, sehingga lebih efektif dalam memprioritaskan fitur paling kritis dan signifikan terhadap kepuasan pelanggan. Dengan demikian, generasi produk berikutnya dapat lebih baik dalam memenuhi kebutuhan pelanggan.

Penelitian ini juga diharapkan memberikan kontribusi signifikan terhadap bidang data science, khususnya dalam penerapan metode analisis sentimen untuk memenuhi kebutuhan bisnis dalam pengambilan keputusan yang lebih efisien, dengan hasil analisis yang lebih akurat dan komprehensif. Secara lebih lengkap, beberapa hasil temuan dan pengujian dari penelitian ini dapat ditemukan dalam publikasi-publikasi ilmiah berikut:

1.  Arief, M., & Samsudin, N.A. (2023). Hybrid Approach with VADER and Multinomial Logistic Regression for Multiclass Sentiment Analysis in Online Customer Review. International Journal of Advanced Computer Science and Applications, 14(12), pp. 298-310. Fokus pada pendekatan hybrid melalui eksperimen untuk klasifikasi sentimen pelanggan ke dalam multiclass yang terdapat pada ulasan online.

2.  Arief, M., & Samsudin, N.A. (2023). Neutral Class Handling for Customer Sentiment Analysis in Binary Classification: A Comparative Study of Supervised Machine Learning Classification Algorithm. 8th International Conference on Informatics and Computing, IEEE, pp. 146-153. Membahas tantangan dalam menangani kelas netral dalam analisis sentimen pelanggan dengan studi komparatif berbagai algoritma klasifikasi machine learning.

3.  Arief, M., & Samsudin, N.A. (2025). Critical Product Features Identification in Online Reviews Using Sentiment Analysis and Kano Model for Product Quality Improvement. International Conference on Informatics, Mechanical, Industrial and Chemical Engineering, AIP, 3250. Penelitian pendahuluan dalam mengidentifikasi fitur kritis dengan mengintegrasikan analisis sentimen dan model Kano.

Melalui karya ini, Murahartawaty memberikan berkontribusi kepada Fakultas Rekayasa Industri dengan memperkuat pengembangan riset terapan berbasis data analitik yang relevan dan aplikatif di industri. Diharapkan penelitian ini dapat menginspirasi mahasiswa dan akademisi untuk terus menggali lebih dalam potensi data analitik yang sangat berperan penting dalam membantu pengambilan keputusan strategis dalam lingkungan bisnis yang sangat kompetitif dan dinamis.

Contributor: Murahartawaty, S.T., M.T.