Peringkasan teks umpan balik pelanggan menggunakan LSTM dengan word embedding

INDONESIA:
Umpan balik pelanggan sangat penting dalam pengambilan keputusan bisnis, membantu perusahaan memahami kepuasan konsumen, mengidentifikasi kelemahan produk, dan merumuskan strategi pemasaran yang lebih efektif. Pengelolaan umpan balik yang baik dapat meningkatkan pendapatan perusahaan hingga 15-25% melalui loyalitas pelanggan dan perbaikan produk. Umpan balik ini diperoleh dari media sosial, e-commerce, platform review, dan situs resmi perusahaan. Namun, dengan volume data yang besar, diperlukan solusi otomatis untuk menganalisis dan merangkum informasi penting dengan cepat dan akurat. Penelitian ini bertujuan untuk mengetahui penerapan LSTM dengan word embedding dalam peringkasan teks umpan balik pelanggan.. LSTM dipilih karena kemampuannya menangani data sekuensial, memahami konteks percakapan, dan memberikan respons yang relevan serta bermakna. Penelitian ini menggunakan arsitektur dua layer LSTM dengan berbagai skenario pengujian, termasuk percobaan dengan word embedding GloVe atau FastText dan tanpa word embedding. Hasil terbaik diperoleh tanpa word embedding melalui F1-score dengan ROUGE-1 score 0.3085, ROUGE-2 score 0.2282, dan ROUGE-L score 0.3064. Dengan demikian, penelitian ini berhasil membuktikan bahwa model LSTM tanpa word embedding dapat meringkas umpan balik pelanggan secara efektif.

ENGLISH:
Customer feedback is crucial in business decision-making, helping companies understand consumer satisfaction, identify product weaknesses, and formulate more effective marketing strategies. Proper management of feedback can increase a company's revenue by 15-25% through customer loyalty and product improvements. This feedback is gathered from social media, e-commerce, review platforms, and company websites. However, with the large volume of data, automated solutions are required to analyze and summarize important information quickly and accurately. This study aims to investigate the application of LSTM with word embedding in summarizing customer feedback text. LSTM was chosen for its ability to handle sequential data, understand the context of conversations, and generate relevant and meaningful responses. The study uses a two-layer LSTM architecture with various testing scenarios, including experiments with GloVe or FastText word embedding and without word embedding. The best results were achieved without word embedding, with an F1-score and ROUGE-1 score of 0.3085, ROUGE-2 score of 0.2282, and ROUGE-L score of 0.3064. Thus, this study successfully proves that the LSTM model word embedding, is effective in summarizing customer feedback.

ARABIC:
تُعد ملاحظات العملاء أمرًا بالغ الأهمية في عملية اتخاذ القرارات التجارية، حيث تساعد الشركات على فهم رضا العملاء، وتحديد نقاط ضعف المنتجات، وصياغة استراتيجيات تسويقية أكثر فعالية. يمكن أن تؤدي الإدارة الجيدة للتغذية الراجعة إلى زيادة إيرادات الشركة بنسبة 15-25% من خلال ولاء العملاء وتحسين المنتجات. يتم الحصول على هذه الملاحظات من وسائل التواصل الاجتماعي والتجارة الإلكترونية ومنصات المراجعات والمواقع الإلكترونية للشركات. ومع ذلك، مع وجود كميات كبيرة من البيانات، هناك حاجة إلى حل آلي لتحليل وتلخيص المعلومات المهمة بسرعة ودقة. يهدف هذا البحث إلى معرفة تطبيق LSTM مع تضمين الكلمات في تلخيص نص ملاحظات العملاء. وقد تم اختيار LSTM لقدرته على التعامل مع البيانات المتسلسلة، وفهم سياق المحادثة، وتقديم ردود ذات صلة وذات مغزى. يستخدم هذا البحث بنية LSTM ثنائية الطبقات مع سيناريوهات اختبار مختلفة، بما في ذلك تجارب مع تضمين كلمات GloVe أو FastText وبدون تضمين كلمات. وقد تم الحصول على أفضل النتائج بدون تضمين الكلمات من خلال النتيجة F1 بنتيجة ROUGE-1 بنتيجة 0.3085، و ROUGE-2 بنتيجة 0.2282، و ROUGE-L بنتيجة 0.3064. وبالتالي، أثبتت هذه الدراسة بنجاح أن نموذج LSTM بدون تضمين الكلمات يمكن أن يلخص ملاحظات العملاء بشكل فعال.