Analisa Sentimen dengan AI: Olah Review Pelanggan Jadi Insight

Analisa sentimen dengan AI adalah proses ngasih label positif, negatif, atau netral ke teks review pelanggan pakai model bahasa, lalu ngelompokin alasannya jadi tema yang bisa ditindaklanjuti.

Yang bikin ini beda dari cara lama: model bahasa bisa nangkep "produknya oke sih, cuma kurirnya bikin emosi" — kalimat yang bikin sistem berbasis kamus kata bingung total.

Tapi ada jebakannya. Kalau kamu cuma minta AI kasih skor 1–5, kamu dapet angka yang cantik dan nggak berguna.

Aku tunjukin alurnya pakai 1.240 review Toko Berkah dari marketplace.

Kenapa skor sentimen doang nggak cukup?

Ini output yang paling sering orang minta ke AI:

Positif: 61%
Netral:  22%
Negatif: 17%

Angkanya bener. Tapi coba bawa ini ke rapat.

"Negatif kita 17%." Terus? Mau ngapain?

Yang bikin analisa sentimen kepakai adalah alasannya. Dari 211 review negatif, berapa yang ngeluh soal kirim lambat? Berapa yang soal barang rusak? Berapa yang soal harga?

Bedanya begini:

Output lemah	Output yang kepakai
Negatif 17%	Dari 211 review negatif, 134 (63%) ngeluh soal pengiriman — dan 89 di antaranya nyebut kurir yang sama
Sentimen turun bulan ini	Sentimen kategori Minuman turun 12 poin sejak ganti supplier kemasan di minggu ke-2

Kolom kanan bisa dikerjain besok. Kolom kiri cuma bikin orang manggut-manggut.

Langkah 1: kumpulin dan rapiin reviewnya

Sebelum ke AI, data mentahnya perlu dibersihin secukupnya. Bukan sampai steril — model bahasa lumayan tahan sama teks berantakan.

Yang perlu dibuang:

• Review kosong atau cuma emoji. Dari 1.240 review Toko Berkah, 84 isinya cuma "👍" atau tanda titik. Ini nggak nambah informasi tapi ngabisin token.
• Duplikat persis. Ada 31 review dengan teks identik — kemungkinan bot atau salah submit.
• Review yang bukan soal produk. Beberapa orang nulis "tes" atau nanya stok. Ini bukan sentimen.

Yang jangan dibuang: typo, singkatan, huruf besar semua, dan campuran bahasa. Justru di situ sinyalnya. "BARANG RUSAK PARAH" beda intensitas dari "barangnya agak penyok".

Setelah dibersihin: 1.125 review yang layak diproses.

Langkah 2: bikin prompt yang konsisten

Ini bagian yang paling nentuin kualitas hasil.

Prompt yang jelek: "Analisis sentimen review ini." Hasilnya bakal beda-beda tiap batch, formatnya berubah-ubah, dan kamu nggak bisa gabungin jadi tabel.

Prompt yang jalan punya 4 bagian: peran, definisi kategori, aspek yang dicari, dan format output yang kaku.

Kamu penganalisis review pelanggan untuk toko grocery online di Indonesia.

Untuk SETIAP review, tentukan:

1. sentimen: positif | negatif | netral
   - positif: pelanggan puas, akan beli lagi, atau memuji
   - negatif: ada keluhan konkret atau menyesal beli
   - netral: deskriptif tanpa emosi jelas, ATAU pujian dan
     keluhan yang seimbang

2. aspek: pilih SEMUA yang disebut, dari daftar ini saja:
   produk | harga | pengiriman | kemasan | layanan | aplikasi

3. sentimen_per_aspek: sentimen untuk tiap aspek yang disebut

4. kutipan: potongan kalimat asli (maks 12 kata) yang jadi
   dasar penilaianmu

5. keyakinan: tinggi | sedang | rendah
   Pakai "rendah" kalau reviewnya ambigu atau sarkastik.

Output HANYA tabel CSV dengan kolom:
id,sentimen,aspek,sentimen_per_aspek,kutipan,keyakinan

Jangan tambahkan penjelasan apa pun di luar tabel.

REVIEW:
[tempel 20 review dengan id-nya di sini]

Tiga hal yang bikin prompt ini kerja.

Daftar aspek yang tertutup. Kalau kamu bebasin AI bikin aspek sendiri, batch pertama keluar "pengiriman", batch kedua keluar "logistik", batch ketiga "kurir". Nggak bisa dijumlahin.

Kolom kutipan. Ini yang bikin hasilnya bisa dicek. Kalau labelnya aneh, kamu bisa langsung lihat kalimat mana yang bikin AI mutusin gitu.

Kolom keyakinan. Review yang dikasih "rendah" itu yang kamu cek manual. Biasanya cuma 5–10% dari total — jauh lebih hemat daripada cek semua.

Langkah 3: proses per batch, jangan sekaligus

Model bahasa mulai kehilangan konsistensi kalau dikasih terlalu banyak baris sekaligus. Dari yang aku coba, 20–30 review per batch itu titik manisnya.

Kalau kamu punya di bawah 200 review, tempel manual ke chat AI batch demi batch. Makan waktu sekitar 40 menit.

Di atas itu, pakai script. Ini pola paling sederhana:

import csv, json

def bikin_batch(reviews, ukuran=20):
    for i in range(0, len(reviews), ukuran):
        yield reviews[i:i + ukuran]

hasil = []

for batch in bikin_batch(semua_review, 20):
    teks = "\n".join(f"{r['id']}: {r['teks']}" for r in batch)

    respons = panggil_api_ai(
        prompt=PROMPT_SENTIMEN + "\n\nREVIEW:\n" + teks,
        temperature=0,   # penting: bikin hasilnya stabil
    )

    hasil.extend(parse_csv(respons))

with open("hasil_sentimen.csv", "w", newline="") as f:
    w = csv.DictWriter(f, fieldnames=hasil[0].keys())
    w.writeheader()
    w.writerows(hasil)

temperature=0 itu wajib. Default-nya biasanya 0,7 — bikin AI kreatif, dan kreativitas itu musuh konsistensi labeling. Jalanin dua kali dengan temperature tinggi, dan kamu dapat dua hasil beda dari review yang sama.

Langkah 4: agregasi jadi tabel yang bisa dibaca

Setelah 1.125 review dilabelin, ini hasil Toko Berkah:

Aspek	Disebut	Positif	Negatif	Net sentimen
Produk	892	701	112	+66%
Harga	418	289	77	+51%
Pengiriman	604	187	367	-30%
Kemasan	231	94	121	-12%
Layanan	176	128	31	+55%
Aplikasi	89	41	29	+13%

Sekarang gambarnya jelas. Produknya disukai. Yang bocor pengiriman.

Skor sentimen keseluruhan Toko Berkah 61% positif — kelihatan sehat. Tapi pengiriman net-nya minus 30%, dan itu aspek kedua yang paling sering disebut pelanggan.

Aku gali lagi 367 review negatif soal pengiriman, minta AI kelompokin alasannya:

• Telat dari estimasi — 218 review (59%)
• Kurir nggak bisa dihubungi — 91 review (25%)
• Barang nyasar / salah alamat — 34 review (9%)
• Lainnya — 24 review (7%)

Dan yang paling penting: dari 218 keluhan telat, 163 terjadi di rentang tanggal 12–19 Maret. Itu minggu Ramadan puncak.

Jadi ini bukan masalah kurirnya jelek terus-terusan. Ini masalah kapasitas di periode puncak yang nggak diantisipasi.

Rekomendasi yang keluar: tambah kurir cadangan 2 minggu sebelum Ramadan, dan naikin estimasi pengiriman di aplikasi dari 2 hari jadi 4 hari khusus periode itu. Kalau ekspektasinya bener, 163 keluhan itu bisa hilang tanpa nambah satu kurir pun.

Langkah 5: cek akurasinya sebelum percaya

Ini langkah yang paling sering dilewatin.

Aku ambil 200 review acak, kasih label manual sendiri, terus bandingin sama label AI.

Hasilnya: 174 cocok (87%). Dari 26 yang beda:

• 14 kasus AI bilang "netral", aku bilang "negatif" — review dengan keluhan ringan kayak "lumayan lah walau agak lama"
• 7 kasus sarkasme yang AI baca harfiah — "mantap banget nunggu 8 hari"
• 5 kasus beneran ambigu, dua orang juga bakal beda pendapat

87% itu cukup buat ngambil keputusan level tren dan prioritas. Nggak cukup buat ngevaluasi kinerja satu kurir tertentu.

Aturan aku: kalau keputusannya nyangkut orang atau uang besar, cek manual review yang keyakinannya "rendah".

Kesalahan umum waktu analisa sentimen pakai AI

Minta skor 1–10 dari AI. Model bahasa nggak konsisten di skala numerik halus. Review yang sama bisa dikasih 6 hari ini dan 7 besok. Pakai kategori diskrit — positif, negatif, netral.

Nggak ngunci daftar aspek. Tanpa daftar tertutup, kamu bakal dapat 40 nama aspek yang artinya sama dan nggak bisa dijumlahin.

Pakai temperature default. Bikin hasilnya beda tiap kali dijalanin. Set ke 0.

Ngelewatin validasi manual. Tanpa tau akurasinya, kamu nggak tau boleh percaya sampai level mana.

Nyimpulin dari agregat doang. Sentimen positif 61% bisa nutupin satu aspek yang minus 30%. Selalu pecah per aspek — pola yang sama juga muncul di bias analisis data.

Buat setelan API dan parameter temperature, dokumentasi resminya ada di panduan prompt engineering Anthropic.

FAQ

AI mana yang paling bagus buat analisa sentimen bahasa Indonesia?

Model bahasa umum kayak Claude, GPT, atau Gemini udah cukup bagus buat teks Indonesia, termasuk bahasa campur dan singkatan kayak "gpp" atau "bgt". Model sentiment khusus yang dilatih di data bahasa Inggris sering meleset di sini. Yang lebih nentuin akurasi bukan pilihan modelnya, tapi seberapa jelas kamu definisiin kategori sentimennya di prompt.

Berapa akurasi analisa sentimen pakai AI?

Dari 200 review yang aku cek manual, model bahasa umum cocok sama penilaian manusia di sekitar 87% kasus untuk label positif/negatif/netral. Yang paling sering meleset: review netral yang berisi keluhan ringan, dan sarkasme. Kalau keputusanmu berisiko tinggi, sampling 50–100 baris dan cek manual sebelum percaya angka agregatnya.

Perlu coding buat analisa sentimen pakai AI?

Nggak buat volume kecil. Sampai sekitar 200 review, kamu bisa tempel batch 20 review ke chat AI dan minta output tabel. Di atas itu, Python plus API jauh lebih hemat waktu — dan hasilnya konsisten karena prompt-nya sama persis tiap batch. Google Sheets juga bisa disambungin ke API AI lewat Apps Script.

Apa bedanya sentiment analysis dan aspect-based sentiment analysis?

Sentiment analysis biasa cuma ngasih satu label untuk seluruh review. Aspect-based mecah review jadi beberapa aspek, tiap aspek punya sentimennya sendiri. Review "produknya bagus tapi kirimnya lama banget" itu positif untuk produk, negatif untuk pengiriman. Kalau kamu cuma pakai satu label, informasi yang paling berguna hilang.

Gimana cara ngukur apakah hasil analisa sentimennya bener?

Ambil sampel acak 100 review, kasih label manual sendiri, terus bandingin sama label dari AI. Hitung berapa persen yang cocok. Kalau di bawah 80%, biasanya masalahnya di definisi kategori — misalnya kamu dan AI beda pendapat soal apa itu "netral". Perbaiki definisinya di prompt, jangan langsung ganti model.

Penutup

Analisa sentimen jadi berguna waktu kamu berhenti nanya "berapa persen positif" dan mulai nanya "negatifnya soal apa, dan kapan".

Kuncinya di prompt: daftar aspek yang tertutup, kolom kutipan buat verifikasi, dan temperature 0 biar konsisten.

Toko Berkah kelihatan sehat di angka agregat — 61% positif. Yang bocor cuma ketahuan setelah dipecah per aspek dan per tanggal.

Mau nyusun prompt AI yang hasilnya stabil buat kerjaan analis lain? Mampir ke panduan prompt engineering untuk analis data. Buat ngerapiin data reviewnya dulu, fungsi TRIM dan data cleaning yang paling sering kepakai.