Natural Language Processing Dengan Kansei Engineering Untuk Analisis Desain Kursi Kereta Api Kompartemen

Adista, Reyhan Khansa Alpha (2025) Natural Language Processing Dengan Kansei Engineering Untuk Analisis Desain Kursi Kereta Api Kompartemen. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6010222011-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Kereta Api (KA) Kompartemen, sebagai layanan transportasi premium,
menghadapi tantangan dalam mengoptimalkan desain kursi yang dapat memenuhi
ekspektasi penumpang terkait kenyamanan dan fungsionalitas. Meskipun umpan
balik pengguna tersedia secara luas di platform digital, proses analisis dan
interpretasi data tidak terstruktur ini untuk pengembangan desain masih menjadi
kendala signifikan. Penelitian ini mengusulkan pendekatan terintegrasi dengan
menggabungkan Kansei Engineering dan teknik komputasi Natural Language
Processing (NLP) untuk menganalisis desain kursi KA Kompartemen. Metodologi
penelitian mengadopsi pendekatan dua tahap: pertama, menggunakan Named
Entity Recognition (NER) untuk mengekstraksi dan mengklasifikasikan fitur-fitur
spesifik kursi dari data ulasan pengguna, mencapai skor F1 sebesar 0,964; kedua,
menerapkan Latent Dirichlet Allocation (LDA) untuk mengidentifikasi tema-tema
emosional yang terkait dengan setiap fitur, mencapai skor koherensi 0,551. Data
penelitian terdiri dari 1.260 ulasan penumpang unik dari platform perjalanan
Indonesia. Hasil dari penelitian ini mencakup: (1) identifikasi sistematis hierarki
komponen kursi dengan Armrest muncul sebagai dissatisfier kritis (tingkat
ketidakpuasan 27,4%) dan fitur premium seperti Seat Massage menunjukkan
karakteristik delighter yang kuat; (2) pemetaan yang berhasil antara respons
emosional yang mengungkapkan bahwa evaluasi penumpang beroperasi melalui
kerangka psikologis yang canggih mencakup kenyamanan (32,4%), persepsi
premium (18,7%), dan kepercayaan ergonomis (15,2%); dan (3) kerangka analitik
cross-modal yang mencapai konvergensi 89% antara analisis sentimen dan
pemetaan emosional Kansei. Penelitian ini menetapkan paradigma baru untuk
desain transportasi berbasis bukti yang menjembatani linguistik komputasional,
ilmu desain, dan teori perilaku konsumen, memberikan kontribusi metodologis
yang sesuai untuk implementasi produksi dalam optimisasi desain industri.
========================================================================================================================
The Train Compartment Service (Kereta Api Kompartemen), as a premium
transportation service, faces challenges in optimizing seat design to meet passenger
expectations regarding comfort and functionality. Although user feedback is widely
available on digital platforms, the process of analyzing and interpreting this
unstructured data for design development remains a significant challenge. This
research proposes an integrated approach combining Kansei Engineering and
Natural Language Processing (NLP) computational techniques for analyzing train
compartment seat design. The research methodology adopts a two-stage approach:
first, utilizing Named Entity Recognition (NER) to extract and classify specific seat
features from user review data, achieving an F1-score of 0.964; second,
implementing Latent Dirichlet Allocation (LDA) to identify emotional themes
associated with each feature, reaching a coherence score of 0.551. Research data
comprised 1,260 unique passenger reviews from Indonesian travel platforms. The
outcomes of this research include: (1) systematic identification of seat component
hierarchy with Armrest emerging as a critical dissatisfier (27.4% dissatisfaction
rate) and premium features like Seat Massage demonstrating strong delighter
characteristics; (2) successful mapping of emotional responses revealing that
passenger evaluation operates through sophisticated psychological frameworks
encompassing comfort (32.4%), premium perception (18.7%), and ergonomic
confidence (15.2%); and (3) cross-modal analytical framework achieving 89%
convergence between sentiment analysis and Kansei emotional mapping. This
research establishes a new paradigm for evidence-based transportation design that
bridges computational linguistics, design science, and consumer behavior theory,
providing methodological contributions suitable for production deployment in
industrial design optimization.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kansei Engineering, Natural language processing, Named Entity Recognition, Latent Dirichlet Allocation, Desain Kursi, KA Kompartemen, Kansei Engineering, Natural Language Processing, Named Entity Recognition, Latent Dirichlet Allocation, Seat Design, Train Compartment.
Subjects:	T Technology > TS Manufactures > TS170 New products. Product Development
Divisions:	Faculty of Industrial Technology > Industrial Engineering > 26101-(S2) Master Thesis
Depositing User:	Reyhan Khansa Alpha Adista
Date Deposited:	04 Aug 2025 04:22
Last Modified:	04 Aug 2025 04:22
URI:	http://repository.its.ac.id/id/eprint/125858

Actions (login required)

View Item