Cara kerja AI analisis sentimen pelanggan terdiri atas empat tahap, yaitu mengumpulkan percakapan, membaca emosi di dalamnya, memisahkannya per aspek, lalu menggabungkan hasilnya menjadi riwayat per pelanggan. Urutan ini menentukan apakah tim layanan pelanggan Anda hanya tahu ada satu pesan bernada marah, atau tahu bahwa pelanggan yang sama sudah tiga kali mengeluh dalam dua minggu.
Analisis sentimen adalah teknik membaca teks untuk menentukan perasaan penulisnya, umumnya positif, netral, atau negatif. AI menjalankannya dengan natural language processing (NLP), yaitu teknologi yang membuat komputer memahami bahasa sehari-hari.
Artikel ini menguraikan alasan memakai AI untuk pekerjaan ini, keempat tahap kerjanya, contoh satu pesan pelanggan yang melewati setiap tahap, dan langkah menerapkannya di tim layanan pelanggan.
Mengapa Menggunakan AI untuk Analisis Sentimen Pelanggan?
AI dipakai karena dua cara lama, yaitu survei dan pembacaan manual, sama-sama melewatkan isi keluhan pelanggan. Survei hanya menangkap pelanggan yang mau mengisi, sedangkan tim tidak sanggup membaca setiap pesan dengan standar penilaian yang sama.
Riset Cambridge Service Alliance di University of Cambridge menemukan celah ini pada pelanggan yang memberi skor 8,5 dari 10 atau lebih. Sebanyak 90% dari mereka tetap menulis keluhan serius di kolom komentar, dan skor yang tinggi membuat keluhan itu terlewat.
Perbandingan ketiga cara membaca perasaan pelanggan terlihat pada tabel berikut.
| Cara | Yang dibaca | Kapan hasilnya tersedia | Konsistensi penilaian | Kelemahan utama |
|---|---|---|---|---|
| Survei CSAT dan NPS | Skor dari pelanggan yang mengisi survei | Setelah survei ditutup | Sama untuk skor, kosong untuk alasan | Tidak menjelaskan penyebab skor |
| Pembacaan manual oleh tim | Sampel pesan yang sempat dibaca | Bergantung pada jumlah orang yang tersedia | Berbeda antarpembaca | Tidak mencakup seluruh percakapan saat volume naik |
| AI | Seluruh pesan dari kanal yang terhubung | Saat pesan masuk | Sama untuk setiap pesan | Perlu diuji pada bahasa dan istilah bisnis Anda |
AI paling berguna untuk mengisi kolom yang kosong pada survei, yaitu isi percakapan setiap pelanggan. Skor CSAT tetap layak dipakai sebagai angka ringkas, sedangkan sentimen menjelaskan alasan di balik angka itu.
Kelemahan AI ada pada akurasi untuk bahasa dan istilah bisnis Anda sendiri. Karena itu, hasilnya perlu diuji sebelum dipakai untuk mengambil keputusan.
4 Tahap Cara Kerja AI dalam Analisis Sentimen Pelanggan

AI membaca sentimen pelanggan dalam empat tahap berurutan, dan hasil setiap tahap menjadi bahan tahap berikutnya. Kesalahan di tahap awal, misalnya teks yang belum dirapikan, akan terbawa sampai ke riwayat pelanggan.
Tahap 1: Mengumpulkan dan Merapikan Percakapan dari Setiap Kanal
AI mengambil teks dari setiap kanal yang terhubung, misalnya WhatsApp, email, live chat, formulir kontak, dan transkrip panggilan telepon. AI juga mencatat identitas pengirim di setiap pesan supaya hasilnya bisa digabungkan pada tahap keempat.
Teks lalu dirapikan dengan membuang bagian yang tidak ditulis pelanggan, seperti tanda tangan email dan template balasan agen. AI juga menormalkan singkatan dan campur kode (pencampuran bahasa Indonesia dan Inggris), misalnya “udh” menjadi “sudah” dan “cancel” menjadi “batal”.
Tahap 2: Membaca Polaritas, Emosi, dan Intensitas
Polaritas adalah arah sentimen, yaitu positif, netral, atau negatif. AI juga mengenali emosi yang lebih spesifik seperti marah, bingung, kecewa, atau lega, lalu memberi skor intensitas, misalnya dari -1 untuk sangat negatif sampai 1 untuk sangat positif.
Ketepatan tahap ini bergantung pada pendekatan teknologi di balik alat analisis sentimen.
| Pendekatan | Cara kerja | Hasil pada chat berbahasa Indonesia |
|---|---|---|
| Kamus kata (lexicon) | Mencocokkan kata dengan daftar kata positif dan negatif | Gagal membaca sarkasme dan kata yang maknanya bergantung pada konteks |
| Machine learning klasik | Mempelajari pola dari contoh pesan yang sudah diberi label manual | Lebih tepat dari kamus kata, tetapi lemah pada kalimat panjang |
| Transformer (mis. IndoBERT) dan LLM | Membaca setiap kata bersama kata lain di sekitarnya | Paling mampu membaca konteks, asalkan sudah diuji dengan teks berbahasa Indonesia |
Untuk percakapan pelanggan berbahasa Indonesia, pilih alat berbasis transformer atau LLM (large language model, model bahasa berukuran besar). Kamus kata akan menilai “respons CS-nya lama” dan “saya pelanggan lama” dengan cara yang sama, padahal hanya kalimat pertama yang berisi keluhan.
Tahap 3: Memisahkan Sentimen per Aspek dan Niat
Aspek adalah bagian pengalaman yang dibicarakan pelanggan, misalnya produk, pengiriman, harga, atau layanan CS. Satu pesan sering memuat aspek positif dan negatif sekaligus, sehingga AI memberi label untuk setiap aspek, bukan satu label untuk seluruh pesan.
Niat (intent) adalah tujuan pelanggan menulis pesan, seperti meminta refund atau mengancam berhenti berlangganan. Niat menangkap keluhan tanpa kata emosional, misalnya “saldo terpotong, transaksi gagal”, yang terbaca netral tetapi mendesak.
Tahap 4: Menggabungkan Hasil Menjadi Riwayat Sentimen per Pelanggan
Pada tahap ini, AI menyusun label dari setiap pesan menjadi riwayat per pelanggan dan per periode. Hasilnya berupa tren, misalnya sentimen seorang pelanggan yang turun dari netral ke negatif dalam tiga interaksi terakhir.
Tren inilah yang membedakan sentimen pelanggan dari sentimen satu pesan. Pelanggan yang sentimennya terus menurun memberi sinyal awal kenaikan churn rate, yaitu persentase pelanggan yang berhenti dalam satu periode.
Baca juga: AI Ticketing: Cara AI Mengubah Operasional Layanan Pelanggan
Contoh Analisis Sentimen Pelanggan dengan AI
Dalam contoh ini, AI menilai satu pesan pelanggan e-commerce sebagai keluhan pengiriman dengan niat refund, lalu menaikkan status pelanggannya menjadi berisiko berhenti. Pesan masuk lewat WhatsApp pada hari kelima setelah pesanan dibayar.
“Barangnya bagus, tp udh 5 hari blm sampai. CS cuma bales pakai template. Kalau besok gk ada kabar, sy minta refund aja.”
| Tahap | Hasil |
|---|---|
| 1. Mengumpulkan dan merapikan | Pesan dicatat atas nama pelanggan dan dinormalkan menjadi “Barangnya bagus, tetapi sudah 5 hari belum sampai. CS hanya membalas dengan template. Kalau besok tidak ada kabar, saya minta refund saja.” |
| 2. Polaritas, emosi, dan intensitas | Negatif, emosi kecewa, skor -0,6 |
| 3. Aspek dan niat | Produk positif, pengiriman negatif, layanan CS negatif. Niat: meminta refund |
| 4. Riwayat pelanggan | Kontak ketiga dalam 14 hari. Dua kontak sebelumnya netral (menanyakan status paket), kini negatif. Tren menurun, status naik menjadi berisiko berhenti |
Label tunggal “negatif” akan menyesatkan karena produknya justru dinilai bagus. Masalahnya ada di pengiriman dan respons CS, sehingga perbaikan perlu diarahkan ke mitra ekspedisi dan cara agen membalas.
Tahap keempat mengubah cara tim menangani pesan ini. Tanpa riwayat, pesan ini hanya satu keluhan pengiriman, sedangkan dengan riwayat, tim tahu pelanggan tersebut sudah dua kali bertanya tanpa mendapat kepastian.
Cara Menerapkan Analisis Sentimen Pelanggan
Terapkan analisis sentimen secara bertahap, mulai dari satu sumber data, lalu hubungkan hasilnya ke tindakan nyata di tim layanan. Label sentimen yang tidak memicu tindakan apa pun hanya menambah kolom di laporan.
1. Tentukan Sumber Data dan Label yang Dipakai
Mulailah dari kanal dengan volume pesan terbesar, misalnya WhatsApp, agar hasilnya cepat terlihat. Gunakan tiga label polaritas serta empat sampai enam aspek yang mengikuti kategori tiket Anda saat ini.
Ulasan publik dan media sosial bisa ditambahkan belakangan, setelah label untuk percakapan langsung sudah stabil.
2. Tambahkan Sentimen ke Prioritas dan Eskalasi Tiket
Kriteria prioritas tiket umumnya berupa dampak bisnis dan urgensi SLA (batas waktu layanan yang disepakati), sehingga sentimen cukup ditambahkan sebagai faktor pendukung. Contohnya, tiket negatif dengan niat refund naik satu tingkat prioritas, dan tiket dari pelanggan dengan tren menurun langsung diteruskan ke agen senior.
Pesan yang menyebut jalur hukum atau pengaduan ke regulator, misalnya OJK untuk fintech, perlu aturan tersendiri. Teruskan pesan seperti ini ke tim legal atau kepatuhan, dan jangan biarkan AI membalasnya.
3. Pantau Tren Sentimen per Pelanggan dan Segmen
Tinjau daftar pelanggan dengan tren menurun setiap minggu, terutama pelanggan B2B berkontrak tahunan. Bandingkan juga sentimen pelanggan baru dengan pelanggan lama untuk melihat apakah masalahnya ada di proses onboarding (tahap awal penggunaan) atau di layanan rutin.
4. Uji Akurasi dengan Percakapan Lama sebelum Dipakai
Ambil 200 sampai 300 percakapan bulan lalu, beri label secara manual, lalu bandingkan dengan label dari AI. Beri perhatian khusus pada dua jenis pesan yang sulit dibaca mesin, yaitu sarkasme dan keluhan tanpa kata emosional.
Aktifkan eskalasi otomatis setelah tim Anda puas dengan tingkat kecocokannya. Setelah itu, beri agen akses untuk mengoreksi label yang keliru.
5. Ukur Dampaknya pada Kepuasan dan Retensi
Ukur hasilnya dengan metrik yang menghubungkan sentimen ke hasil penanganan, bukan sekadar jumlah tiket negatif.
| Metrik | Cara menghitung | Arti |
|---|---|---|
| Tingkat koreksi label | Label yang diubah agen dibagi total label dalam sebulan | Kenaikan berarti aturan atau model perlu diperbarui |
| Waktu respons pertama tiket negatif | Rata-rata waktu respons tiket berlabel negatif, dibandingkan rata-rata semua tiket | Angkanya seharusnya lebih cepat dari rata-rata |
| Perubahan sentimen saat tiket ditutup | Persentase tiket negatif yang ditutup dengan sentimen netral atau positif | Kualitas penanganan, bukan kecepatan |
| Retensi pelanggan dengan tren menurun | Persentase pelanggan dengan tren menurun yang masih aktif 90 hari kemudian | Dampak langsung pada pendapatan |
Dua metrik terakhir paling dekat dengan dampak bisnis. Jika retensi pelanggan dengan tren menurun tidak membaik setelah tiga bulan, periksa apakah label sentimen benar-benar memicu tindakan atau hanya tercatat di laporan.
Baca juga: Manfaat AI untuk Customer Service dalam Mengurangi Beban Agen
Kesimpulan
Cara kerja AI analisis sentimen pelanggan berjalan dalam empat tahap, dan tahap terakhir, yaitu riwayat per pelanggan, paling menentukan nilai bisnisnya. Label per aspek dan niat menunjukkan apa yang salah, sedangkan riwayat menunjukkan siapa yang paling berisiko pergi.
Langkah pertama yang bisa Anda lakukan minggu ini adalah mengambil 200 percakapan WhatsApp bulan lalu dan memberinya label manual. Hasilnya menunjukkan berapa keluhan yang tidak tercermin di skor CSAT, sekaligus menjadi bahan untuk menguji alat analisis sentimen.
Optimalkan Layanan Pelanggan Anda
Jadwalkan demo Adaptist Prose dan lihat bagaimana Ticketing System terintegrasi membantu menyatukan tiket, percakapan, dan data pelanggan dalam satu dashboard. Dengan alur kerja yang lebih terstruktur, tim dapat merespons lebih cepat, mengurangi beban operasional, dan menjaga kualitas layanan tetap konsisten seiring pertumbuhan bisnis.
FAQ
Sentiment score adalah angka yang mewakili sentimen sebuah pesan atau seorang pelanggan, umumnya pada skala -1 sampai 1 atau 1 sampai 5. Skor rata-rata per pelanggan atau per bulan memudahkan tim melihat apakah sentimen membaik atau memburuk.
Bisa, terutama model berbasis transformer atau LLM yang diuji dengan teks berbahasa Indonesia, karena model ini membaca kata “mantap” dalam “Mantap, paket saya nyasar lagi” bersama keluhan di sekitarnya. Hasilnya tetap perlu diuji dengan percakapan pelanggan Anda sendiri, sebab sarkasme bergantung pada konteks.
Social listening adalah pemantauan percakapan publik tentang merek di media sosial dan forum. Analisis sentimen adalah salah satu teknik di dalamnya, dan teknik yang sama juga dipakai untuk percakapan langsung seperti chat dan email ke tim layanan.
Bisa. Rekaman panggilan diubah menjadi teks dengan speech-to-text, yaitu teknologi pengubah suara menjadi tulisan, lalu dianalisis seperti chat, dan sebagian sistem juga membaca nada serta tempo suara.
Ya, karena percakapan pelanggan biasanya memuat data pribadi seperti nama dan nomor telepon, sehingga pemrosesannya tunduk pada UU Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. Cantumkan tujuan analisis di pemberitahuan privasi dan batasi akses ke hasilnya hanya untuk tim yang membutuhkan.




