VOKASI NEWS – Tokopedia sebagai e-commerce terbesar Indonesia telah diunduh lebih dari 100 juta kali. Aplikasi ini melayani jutaan pengguna aktif setiap hari. Skala pengguna yang besar ini menghasilkan ribuan ulasan setiap bulannya. Ulasan memuat keluhan dan kebutuhan perbaikan fitur secara rutin. Namun, proses analisis manual memerlukan waktu dan sumber daya besar. Sommerville (2016) menjelaskan pemeliharaan perangkat lunak mengonsumsi 60-70% biaya siklus hidup sebuah sistem. Oleh sebab itu, prioritisasi perbaikan menjadi krusial bagi tim pengembang.
Menjawab tantangan tersebut, dikembangkan sistem pendukung keputusan berbasis kecerdasan buatan. Sistem mengintegrasikan ekstraksi aspek-opini, algoritma Support Vector Machine (SVM), Latent Dirichlet Allocation (LDA), dan metode Simple Additive Weighting (SAW). Sistem mengubah ulasan menjadi daftar prioritas perbaikan fitur terukur. Langkah ini membuat keputusan tidak lagi bergantung pada intuisi manajerial. Sistem diuji menggunakan 15.010 ulasan Google Play Store periode Juli-Desember 2025.
Tahapan Preprocessing Teks dan Evaluasi Performa Model AI
Sebelum dianalisis, ulasan melewati serangkaian tahap preprocessing teks. Proses dimulai dari case folding untuk menyeragamkan huruf kapital. Langkah dilanjutkan tokenization untuk memecah kalimat menjadi kata per kata. Tahap stopword removal membuang kata tidak bermakna kecuali negasi. Pengecualian kata “tidak”, “bukan”, dan “belum” menjaga makna sentimen tidak berubah. Tahap berikutnya adalah normalisasi kata slang khas ulasan warganet. Proses dilanjutkan stemming menggunakan library Sastrawi dan penyaringan token yang terlalu pendek.
Setelah teks bersih, sistem mendeteksi fitur melalui pencocokan kata kunci. Sistem mencari kata opini dalam jendela lima kata ke kiri dan kanan. Kekuatan pasangan divalidasi menggunakan ukuran statistik Pointwise Mutual Information. Pengujian 500 sampel berlabel domain expert menunjukkan F1-Score 43,76% dan Coverage Rate 44,20%.
Pengujian Model SVM, Klastering LDA, dan Penilaian Hasil Pengujian
Sistem menggunakan dua model SVM untuk tugas yang berbeda. Model pertama mengklasifikasikan sentimen ulasan menjadi positif atau negatif. Overall Accuracy mencapai 88,70% dan Recall kelas negatif 91,27%. Hasil mengindikasikan sistem cukup andal menangkap ulasan bernada keluhan. Model kedua bertugas mengenali fitur mana saja yang dibahas sekaligus. Model kedua mencatat F1 Micro 64,00% dan Precision Micro 72,21%, menunjukkan bahwa saat sistem menyatakan suatu fitur disebut dalam ulasan. Prediksi sistem cukup tepercaya meski Recall Micro 57,58% menandakan masih ada sebagian fitur yang terlewat.
Untuk menggali sub-tema yang tersembunyi di balik setiap fitur, sistem membangun model LDA terpisah untuk 17 klaster fitur. Rata-rata Coherence Score mencapai 0,4266, melampaui ambang batas 0,40. Pencapaian membuktikan sub-topik yang terbentuk bermakna dan mudah diinterpretasikan. Urutan prioritas dihitung menggunakan SAW lalu divalidasi domain expert. Pengujian menghasilkan Spearman’s Rank Correlation Coefficient sebesar 0,7939. Nilai ini melampaui target kelayakan dan menandakan korelasi kuat antara urutan sistem dan penilaian ahli. Sementara Top-3 Accuracy (33,3%) dan Top-5 Accuracy (40,0%) masih di bawah target mengindikasikan sistem cukup baik menangkap kelompok fitur prioritas tinggi namun belum konsisten pada urutan rinci. Evaluasi usabilitas dengan System Usability Scale menghasilkan skor rata-rata 74,64 yang tergolong Grade B, melampaui target minimum 70,00.
Hasil Prioritas Fitur Aplikasi dan Dukungan terhadap Agenda SDGs
Dari 17 kategori, Layanan Penjual (Seller Services) secara konsisten menduduki peringkat prioritas tertinggi hampir di seluruh periode pengujian. Peringkat berikutnya disusul Pengiriman & Kurir serta Performa & Loading aplikasi. Temuan didorong tingginya keluhan ketidaksesuaian deskripsi produk oleh penjual. Faktor lain melibatkan kendala pelacakan barang dan kelambatan respons. Sistem pendukung keputusan diharapkan menjadi alat bantu objektif bagi tim pengembang dalam menentukan prioritas perbaikan fitur berdasarkan data ulasan pengguna nyata.
Inovasi pemanfaatan kecerdasan buatan untuk mendukung pengambilan keputusan berbasis data ini turut sejalan dengan agenda Sustainable Development Goals (SDGs). Dukungan khususnya menyasar poin ke-9 tentang Industri, Inovasi, dan Infrastruktur. Pengembangan teknologi analisis otomatis mendorong efisiensi perangkat lunak.
[BACA JUGA: Di Balik Alat Berat, Ada Beban Mental yang Tak Terlihat]
Penulis: Azizah Ika Wulandari
Pembimbing: Tesa Eranti Putri
Editor: Nawal Eka Paramita (Tim Vokasi Branding)
