Pengembangan Model Pemeringkatan Ulasan Pelanggan Yang Mempertimbangkan Aspek Produk Dan Layanan Penjual Menggunakan Metode Random Forest Regression

Di tengah perkembangan teknologi yang cepat, internet telah mengubah gaya hidup masyarakat, salah satunya dalam hal berbelanja barang. Dalam melakukan pembelanjaan melalui internet, salah satu hal yang perlu diperhatikan adalah ulasan dari pelanggan. Ulasan pelanggan merupakan sumber informasi terpercaya kedua setelah rekomendasi keluarga dan kerabat. Permasalahan muncul ketika jumlah ulasan pelanggan yang ada sangat besar, sehingga jumlah informasi yang tersedia terlalu banyak. Untuk menyelesaikan permasalahan ini, beberapa platform belanja dalam jaringan (daring) mengurutkan ulasan pelanggan dari yang paling membantu hingga kurang membantu. Namun sistem ini memiliki kekurangan karena ulasan yang diberikan dapat dimanipulasi. Sehingga cara lain diperlukan untuk membantu pelanggan dalam memutuskan pembelian produk. Penelitian ini bertujuan untuk membuat sebuah model pemeringkatan ulasan berdasarkan tingkat kegunaan ulasan dengan menggabungkan aspek produk dan aspek layanan penjual dari ulasan pelanggan. Metode yang digunakan dalam penelitian ini adalah metode regresi Random Forest yang terdiri dari enam tahapan utama. Empat tahapan pertama terdiri dari pengumpulan data ulasan pelanggan, praproses data, ekstraksi aspek, dan analisis sentiment untuk menentukan klasifikasi polaritas aspek. Dua tahapan berikutnya terdiri dari pembuatan model regresi dan pemeringkatan ulasan. Hasil klasifikasi aspek dan analisis sentimen kemudian digunakan sebagai variabel independen dalam model regresi. Sedangkan untuk variabel dependen didapatkan dari nilai tingkat kegunaan ulasan. Nilai hasil regresi kemudian digunakan sebagai dasar dalam pemeringkatan ulasan. Hasil akhir dari penelitian ini adalah sebuah model pemeringkatan ulasan pelanggan berdasarkan tingkat kegunaan dengan memperhatikan aspek produk yang dijual dan aspek layanan penjual. Hasil uji coba dari penelitian menunjukkan bahwa model pemeringkatan yang dibuat dengan mempertimbangkan aspek layanan mempunyai kinerja yang lebih baik dibandingkan dengan model yang dibuat tanpa memperhatikan aspek layanan. Hal ini didukung oleh hasil uji coba yang menunjukkan adanya penurunan nilai rata-rata Root Mean Squre Error (RMSE) dari hasil regresi sebesar 2,74%, peningkatan nilai rata-rata Aggregate Helpfulness Ratio (AHR) sebesar 1,83%, dan peningkatan nilai rata-rata kinerja kesesuaian terhadap hasil pemeringkatan oleh pakar sebesar 5,5%. ========================================================= In the midst of rapid technological developments, the internet has changed people's lifestyles, one of which is shopping. When shopping via the internet, one of the things that needs to be considered is customer reviews. Customer reviews are the second most trusted source of information after family and relative recommendations. The problem arises when the number of existing customer reviews is very large, so the amount of information available is too much. To solve this problem, some online shopping platforms rank customer reviews from most helpful to least helpful. However, this system has several drawbacks, one of which is that it can be manipulated. So another way is needed to determine whether a review can help a potential customer decide to buy a product or not. This study aims to create a review ranking model based on the helpfulness of reviews by combining product and seller service aspects from customer reviews. The method used in this research is the Random Forest regression method which consists of six primary stages. The first four stages are collecting customer review data, data preprocessing, aspect extraction, and sentiment analysis to determine the polarity classification of aspects. The next two stages are developing a regression model and ranking reviews. The results of the aspect classification and sentiment analysis are then used as independent variables in the regression model. As for the dependent variable, it is obtained from the value of the review’s helpfulness. The regression result value is then used as the basis for ranking reviews. The final result of this research is a customer review ranking model based on the helpfulness by considering the aspects of the product and the aspects of the seller’s service. The trial results of the study indicate that the ranking model made with the service aspect in mind has a better performance than the model made without paying attention to service aspects. This is supported by the results of trials which showed a decrease in the average value of Root Mean Square Error (RMSE) from the regression results of 2.74%, an increase in the average value of the Aggregate Helpfulness Ratio (AHR) by 1.83%, and an increase in the average value of the matching score against the expert rating by 5.5%