1/Februari 2018
Abstrak
Dalam sebuah perusahaan jasa, kepuasan pelanggan adalah salah satu hal yang dibutuhkan untuk
meningkatkan pendapatan perusahaan. Penanganan komplain saat ini dinilai masih kurang karena bersifat
manual. Hal ini menyebabkan pelanggan mengeluh karena komplain mereka tidak diproses secara cepat oleh
pihak yang bersangkutan. Dengan memanfaatkan teknologi yang cukup berkembang saat ini, maka proses
tersebut dapat dilakukan oleh komputer. Text mining adalah salah satu cara yang diharapkan dapat mengatasi
permasalahan diatas. Dengan text mining dapat dicari kata-kata yang dapat mewakili isi dari komplain.
Pada penelitian ini penulis menggunakan algoritma TF-IDF (Term Frequency Inverse Document
Frequency) pada pemakaian eComplaint handling. Dengan menggunakan text mining diharapkan dapat
membantu dalam memilah atau mengetahui kategori dari sebuah komplain dan memberikan jawaban yang
akurat. Sedangkan pengukuran tingkat similiritas antar dokumen dilakukan dengan membandingkan suatu
keyword dengan dokumen yang sudah dibuat sebelumnya di database.
Pengujian dilakukan mengggunakan sample data teks dalam bahasa Indonesia pada PT Berdikari
Insurance. Dari hasil pengujian dapat disimpulkan bahwa algoritma TF-IDF (Term Frequency Inverse Document
Frequency) dapat digunakan untuk mengukur tingkat similaritas dokumen dengan kata kunci sehingga bisa
memberikan kemudahan bagi para pelanggan dalam mengajukan permasalahannya dan perusahaan dapat segera
menangani permasalahan tersebut.
5-27
Rudhi Ardi Sasmita1, Achmad Zakki Falani2, Pemanfaatan Algoritma …
1.4 Tujuan Penelitian Teks yang akan dilakukan proses text mining,
pada umunya memiliki beberapa karakteristik
Tujuan dari pembuatan sistem yang dibuat diantaranya adalah memiliki dimensi huruf yang lebih
meliputi : tinggi, terdapat noise pada data, dan terdapat struktur
1. Merancang dan membangun aplikasi e- teks yang kurang baik. Cara yang digunakan dalam
Complaint Handling, untuk mempermudah memepelajari suatu teks data adalah dengan
pencatatan komplain dari pelanggan sampai menentukan fitur – fitur yang mewakili setiap kata
penanganan terhadap komplain. untuk setiap fitur yang ada pada dokumen. Sebelum
2. Mengimplementasikan algoritma TF-IDF untuk menentukan fitur – fitur yang mewakili, diperlukan
menentukan jawaban yang sesuai dengan tahap preprocessing. Yang secara umum dilakukan
keyword. dalam text mining pada dokumen, yaitu case folding,
tokenizing, filtering, stemming, tagging dan analyzing.
1.5 Manfaat Penelitian
5-28
Rudhi Ardi Sasmita1, Achmad Zakki Falani2, Pemanfaatan Algoritma …
5-29
Rudhi Ardi Sasmita1, Achmad Zakki Falani2, Pemanfaatan Algoritma …
Metode TF/IDF merupakan suatu cara untuk Gambar 5. Ilustrasi Algoritma TF-IDF.
memberikan bobot hubungan suatu kata (term)
terhadap dokumen. Metode ini menggabungkan dua a. D1, D2, D3, D4, D5 = dokumen
konsep untuk perhitungan bobot yaitu, frekuensi b. D = Total Dokumen
kemunculan sebuah kata di dalam sebuah dokumen c. TF= merupakan frekuensi dari sebuah istilah
tertentu yang disebut Term Frequency (TF) dan dalam sebuah dokumen
inverse frekuensi dokumen yang mengandung kata d. IDF= jumlah dokumen yang mengandung istilah
yang disebut Inverse Document Frequency (IDF).
Frekuensi kemunculan kata di dalam dokumen yang 3. Metodologi Penelitian
diberikan menunjukkan seberapa penting kata tersebut 3.1 Analisa Sistem
di dalam dokumen. Sehingga bobot hubungan antara
sebuah kata dan sebuah dokumen akan tinggi apabila Metode penelitian ini merupakan usaha
frekuensi kata tinggi di dalam dokumen dan frekuensi mendapatkan penyelesaian permasalahan aplikasi
keseluruhan dokumen yang mengandung kata tersebut eComplaint Handling menggunakan Algoritma TF-
akan rendah pada kumpulan dokumen. IDF untuk memberikan jawaban yang akurat terhadap
Rumus umum untuk Tf-Idf : masukan dari pelanggan. Bagi perusahaan aplikasi ini
akan mambantu meningkatkan pelayanan yang lebih
Wdt = TFdt * IDFt baik terhadap pelanggan.
Dimana: Mulai
d = dokumen ke-d
t = kata ke-t dari kata kunci
W = bobot dokumen ke-d terhadap kata ke-t Masukkan
tf = banyaknya kata yang dicari pada sebuah dokumen Komplain
5-30
Rudhi Ardi Sasmita1, Achmad Zakki Falani2, Pemanfaatan Algoritma …
yang berupa teks dari pelanggan akan di filtering resiko resiko resiko
terhadap kata-kata yang tidak penting seperti yang, sendiri sendiri sendiri
dan, yaitu dan lain sebagainya. kemudian dilakukan adalah kerugian rugi
seleksi fitur dengan menggunakan pembobotan jumlah tanggung tanggung
algoritma TF-IDF. Klasifikasi dokumen berfungsi kerugian klaim klaim
memilah atau mengetahui kategori dari sebuah yang jawab jawab
komplain. Jawaban diperoleh dengan membandingkan menjadi tertanggung tanggung
suatu keyword dengan dokumen yang sudah dibuat. tanggung
tertanggung
3.2 Perancangan Sistem apabila
terjadi
Pada perancangan sistem eComplaint Handling klaim
ini akan dijelaskan mengenai rancangan aplikasi yang
akan dikerjakan serta fitur-fitur yang akan dipakai. Tabel 8. Tabel ekstraksi dokumen 3 (D3)
Objek dari penelitian ini yaitu teks abstrak yang
Tokenisasi Filtering Stemming
dimasukkan oleh user dan data abstrak yang sudah
dokumen dokumen dokumen
ada. Hal ini digunakan untuk peringkatan jawaban
yang diperlukan perlu
yang sesuai terhadap kata kunci yang dimasukkan oleh
diperlukan klaim klaim
user.
untuk pengajuan ajuan
Contoh implementasi dari algoritma TF-IDF adalah pengajuan
sebagai berikut: klaim
Inputan oleh user = Bagaimana prosedur klaim apabila
terjadi resiko?
Dokumen 1 (D1) = Prosedur klaim apabila terjadi Tabel 9. Tabel Perhitungan TF/IDF
resiko.
Dokumen 2 (D2) = Resiko sendiri adalah jumlah
kerugian yang menjadi tanggung jawab tertanggung
apabila terjadi klaim.
Dokumen 3 (D3) = Dokumen yang diperlukan untuk
pengajuan klaim.
Jadi jumlah dokumen (D) = 3
Daftar Pustaka
Gambar 9. Halaman Data Komplain Faishol Muh.Anas. 2011. “Implementasi Text Mining
Untuk Mendukung Pencarian Topik Pada E-
5.1 Kesimpulan Library Menggunakan Mobile Device” . Malang :
Thesis Universitas Islam Negeri (Uin) Maulana
Setelah membahas mengenai perancangan Malik Ibrahim Malang.
sistem eComplaint Handling, maka pada akhirnya
dapat ditarik kesimpulan sebagai berikut : Feldman, Ronen and Sanger, James. 2007, “The Text
a. Penggunaan aplikasi eComplaint Handling akan Mining HandBook”. Cambridge University Pres.
membantu permasalahan komplain pelanggan.
b. Algoritma TF-IDF dapat digunakan untuk Ifada Noor, Husni, Liyantanto Rahmady. 2011.
menentukan jawaban secara otomatis dari suatu “Implementasi Search Engine (Mesin Pencari)
database yang berisi berbagai data rule. Dalam Menggunakan Metode Vector Space Model”.
eksplorasi teknis, tingkat akurasi algoritma TF- Yogyakarta : Seminar nasional Aplikasi Teknologi
IDF sangat tergantung pada pendefinisian data Informasi.
rule yang digunakan sebagai acuan.
c. Dengan menggunakan sistem ini, komplain yang Indranadita, Amalia., Susanto,Budi. &
disampaikan pelanggan akan di proses oleh sistem Rachmat,Antonius . 2008. “Sistem Klasifikasi dan
untuk mendapatkan jabawan yang sesuai. Pencarian Jurnal Dengan Menggunakan Metode
d. Dengan menggunakan sistem ini keluhan yang Naive Bayes dan Vector Space Model”. Jurnal
disampaikan menjadi terdata serta tidak Universitas Kristen Duta Wacana.
menggangu kegiatan operasional.
e. Dengan memanfaatkan sistem ini manajemen L.M. Khodra, Y. Wibisono. 2005 .”Clustering Berita
akan mendapatkan informasi dalam pengambilan Berbahasa Indonesiaz. Internal Publication,
keputusan maupun melakukan review terhadap Fakultas Matematika dan Ilmu Pengetahuan Alam,
pelayanan pelanggan. Universitas Pendidikan Indonesia, Bandung,
Indonesia.
5.2 Saran
Permadi Ida. 2013. Implementasi Spam (Stupid
Adapun untuk penelitian yang kami lakukan Pointless Annoying Messages) Filtering
dapat dikembangkan dengan beberapa saran sebagai Menggunakan Metode Tf Idf (Term Frequency-
berikut: Inverse Document Frequency). Bali : lmu
5-32
Rudhi Ardi Sasmita1, Achmad Zakki Falani2, Pemanfaatan Algoritma …
5-33