Pendahuluan
Media sosial menjadi saluran utama keluhan pelanggan. Perusahaan perlu merespon cepat dan tepat. Penelitian ini mengimplementasikan NLP untuk mengklasifikasi keluhan otomatis dan menentukan prioritas.
Dataset
Mengumpulkan 10.000 tweet/komentar dari 3 perusahaan (telko, e-commerce, perbankan) selama 6 bulan. Anotasi manual ke dalam 8 kategori:
- Produk rusak
- Pengiriman lambat
- Tagihan/refund
- Customer service tidak responsif
- Aplikasi error
- Penipuan
- Pujian
- Lain-lain
Preprocessing
- Cleaning: hapus mention, URL, emoji (konversi ke teks)
- Case folding
- Stemming (untuk bahasa Indonesia)
- Stopword removal
Model
Uji 3 pendekatan:
- TF-IDF + SVM
- Word2Vec + LSTM
- IndoBERT (transfer learning)
Hasil
IndoBERT unggul dengan akurasi 91,5%, F1-score 0,90. SVM 84%, LSTM 87%. Model dapat membedakan keluhan serupa (misal “lambat” untuk pengiriman vs respons CS).
Prioritas
Keluhan dengan sentimen negatif tinggi dan kata-kata urgensi (“darurat”, “rugi”) diberi prioritas tinggi untuk respon cepat.
Implementasi
Model di-deploy sebagai API. Integrasi dengan dashboard customer service menampilkan:
- Klasifikasi otomatis
- Skor sentimen
- Prioritas
- Saran respon (template)
Pengujian
Diuji pada 500 keluhan baru. Akurasi 89%, waktu proses 0,5 detik. CS dapat merespon 3x lebih cepat.
Pembahasan
Model perlu diupdate berkala untuk kata-kata baru. Multilanguage (Indonesia-English) ditangani IndoBERT.
Kesimpulan
NLP efektif untuk otomatisasi klasifikasi keluhan, meningkatkan efisiensi dan kepuasan pelanggan.
Kata Kunci: NLP, Klasifikasi Keluhan, Media Sosial, IndoBERT, Layanan Pelanggan