Dewinta, Ajeng (2021) Pengelompokan Keluhan Pelanggan PT XYZ Pada Media Sosial Twitter Dengan Menggunakan Text Mining. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
09211850053007-Master_Thesis.pdf Download (2MB) | Preview |
Abstract
Penggunaan data di era modern ini sangat dibutuhkan oleh organisasi atau perusahaan tidak hanya dalam mengembangkan dan meningkatkan produk atau jasanya tetapi juga menjaga hubungan antara perusahaan atau organisasi dengan pelanggan. Data keluhan pelanggan dapat digunakan sebagai saran yang baik untuk perusahaan atau organisasi. Untuk mengetahui keluhan pelanggan secara langsung dan otomatis dapat dilakukan dengan menerapkan teknologi yang ada, salah satunya dengan menggali data tekstual dari data keluhan pelanggan. Pada penelitian ini text mining digunakan untuk membantu PT XYZ untuk melakukan proses analisis keluhan pelanggan yang dilaporkan melalui media sosial Twitter.
Metode yang digunakan dalam penelitian ini adalah TF-IDF, LDA, dan SOM. Penelitian ini menggunakan data tweet keluhan pelanggan PT XYZ sebanyak 617 keluhan. Pada penelitian ini model yang digunakan adalah pengelompokan menjadi lima topik, berdasarkan hasil analisis nilai koheren, validasi cluster dengan menggunakan penilaian silhouette, akurasi, presisi, sensitivitas, serta ¬f-measurement. Nilai koheren yang dihasilkan pada model ini sebesar 0,4 dengan skor silhouette 0,5314, presisi 0,9751, sensitivitas 0,9743, f-measurement 0,9744, serta akurasi 0,9743. Lima kelompok topik yang dihasilkan dari proses pemodelan topik adalah topik mengenai kebocoran pipa, informasi gangguan aliran di sejumlah titik di Kota Z, air keruh, tagihan air, dan feedback pelaporan gangguan. Hasil dari pengelompokan keluhan pelanggan menunjukkan bahwa topik mengenai kebocoran pipa menjadi topik yang paling sering dilaporkan yaitu sebanyak 145 keluhan dari 617 data.
====================================================================================================
The use of data in this modern era is needed by organizations or companies not only in developing and improving products or services but also maintaining the relationship between the companies or organizations and the customer. Customer complaint data can be used as a good suggestion for a companies or organizations. To find out customer complaints immediately and automatically can be done by applying the existing technology, one of them by mining textual data from customer complaints data. In this study, text mining is used to help PT XYZ to analyze customer complaints reported through social media Twitter.
The methods used in this research are TF-IDF, LDA, and SOM. This study used 617 complaints of PT XYZ customer complaint tweets. In this study we used model that categorized the complaints data into five topics. based on the coherent test results and cluster validation using silhouette score assessment, accuracy, precision, sensitivity, and f-measurement. The coherent value produced in this model is 0,4 with a silhouette score of 0,5314, precision is 0.9751, sensitivity is 0.9743, f-measurement is 0.9744, and accuracy is 0.9743. The Five groups of topics that resulted from the topic modeling process were topics regarding pipe leakage, flow disturbance information at several points in City Z, turbid water, water bill, and disturbance reporting feedback. The results of the classification of customer complaints show that the topic regarding pipe leakage is the topic most frequently reported, with as many as 145 complaints from 617 data.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Clustering, Data Mining, LDA, Self-Organizing Map, Text Mining, TF-IDF |
| Subjects: | T Technology > T Technology (General) > T57.5 Data Processing |
| Divisions: | Faculty of Creative Design and Digital Business (CREABIZ) > Technology Management > 61101-(S2) Master Thesis |
| Depositing User: | Ajeng Dewinta |
| Date Deposited: | 13 Aug 2021 09:41 |
| Last Modified: | 03 Jul 2024 20:16 |
| URI: | http://repository.its.ac.id/id/eprint/85674 |
Actions (login required)
 |
View Item |