Identifikasi kebutuhan dan preferensi konsumen terhadap produk headset berdasarkan online reviews

Abstract

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.