Deteksi Dark patterns Biaya Layanan E-commerce Berdasarkan Perspektif Konsumen Menggunakan Algoritma Support Vector Machine

Divana Taricha Salmalina; Khothibul Umam; Maya Rini Handayani

doi:10.30865/json.v6i4.8563

Authors

Divana Taricha Salmalina Universitas Islam Negeri Walisongo Semarang
Khothibul Umam Universitas Islam Negeri Walisongo Semarang
Maya Rini Handayani Universitas Islam Negeri Walisongo Semarang

DOI:

https://doi.org/10.30865/json.v6i4.8563

Keywords:

Biaya Layanan, Dark Pattern, E-commerce, SVM

Abstract

Perkembangan industri e-commerce di Indonesia belakangan ini dibayangkan pada fenomena meningkatnya keluhan konsumen terkait kebijakan biaya layanan yang dinilai kurang transparan, termasuk indikasi adanya praktik pola gelap . Penelitian ini bertujuan mengkaji persepsi konsumen terhadap isu tersebut melalui pendekatan analisis sentimen berbasis machine learning dan deteksi pola manipulatif. Data penelitian diperoleh dari ulasan pengguna di platform media sosial X yang kemudian diproses melalui serangkaian tahapan text mining meliputi pembersihan data, tokenisasi, stopword removal , dan stemming . Analisis sentimen menggunakan algoritma Support Vector Machine (SVM) menunjukkan hasil yang signifikan, dimana 55-78% ulasan di platform ketiga e-commerce (Shopee, Tokopedia, Lazada) tergolong negatif. Analisis TF-IDF mengidentifikasi kata kunci seperti "biaya", "layan" (layanan), dan "mahal" sebagai istilah paling dominan dalam ulasan negatif. Model SVM menunjukkan kinerja yang cukup baik dengan akurasi mencapai 87% dalam mengklasifikasikan sentimen negatif. Lebih lanjut, analisis tematik terhadap ulasan negatif berhasil mengidentifikasi indikasi pola gelap , khususnya dalam kategori biaya tersembunyi (biaya tersembunyi) dan menyelinap ke keranjang (penambahan produk tanpa disadari) yang muncul secara konsisten di semua platform. Temuan ini tidak hanya menegaskan adanya pola manipulatif yang berulang dalam industri e-commerce Indonesia, tetapi juga menegaskan urgensi bagi para pelaku industri untuk meningkatkan transparansi dalam kebijakan biaya. Secara praktis, hasil penelitian ini dapat menjadi bahan pertimbangan penting bagi regulator dalam merumuskan kebijakan perlindungan konsumen di era digital yang lebih komprehensif.

References

A. Utami, M. Irwan, and P. Nasution, “Perkembangan Pasar Online (E-Commerce) Di Era Modern Dan Pengaruhnya Terhadap Kepercayaan Konsumen,” J. Ekon. Manaj. Dan Bisnis, vol. 1, no. 2, pp. 126–132, 2023, [Online]. Available: https://doi.org/XX..XXXXX/JMEB

R. Godara, “E-Commerce Trends Post Covid-19,” Shodh Sarita, vol. 8, no. 29, pp. 187–191, 2022.

A. Wardhana, E-Commerce In The Digital Edge – Edisi Indonesia, Indonesia., no. September. Purbalingga: CV. Eureka Media Aksara, 2024.

O. Thoyib and H. Wijaya, “E-Commerce: Perkembangan, Tren, dan Peraturan Perundang-Undangan,” J. Ilm. Ekon. DAN BISNIS, vol. 16, no. 1, pp. 41–47, 2023, doi: 10.51903/e-bisnis.v16i1.

A. Mathur and J. Mayer, “What makes a dark pattern... dark? design attributes, normative considerations, and measurement methods,” Conf. Hum. Factors Comput. Syst. - Proc., pp. 1–18, 2021, doi: 10.1145/3411764.3445610.

W. C. Koh and Y. Z. Seah, “Unintended consumption: The effects of four e-commerce dark patterns,” Clean. Responsible Consum., vol. 11, no. September 2022, p. 100145, 2023, doi: 10.1016/j.clrc.2023.100145.

C. M. Gray, Y. Kou, B. Battles, J. Hoggatt, and A. L. Toombs, “The dark (patterns) side of UX design,” Conf. Hum. Factors Comput. Syst. - Proc., pp. 1–14, 2018, doi: 10.1145/3173574.3174108.

A. Mathur et al., “Dark patterns at scale: Findings from a crawl of 11K shopping websites,” Proc. ACM Human-Computer Interact., vol. 3, no. CSCW, p. art. no. 81, 2019, doi: 10.1145/3359183.

H. Syahputra, “Sentiment Analysis of Community Opinion on Online Store in Indonesia on Twitter using Support Vector Machine Algorithm (SVM),” J. Phys. Conf. Ser., vol. 1819, no. 1, 2021, doi: 10.1088/1742-6596/1819/1/012030.

I. S. K. Idris, Y. A. Mustofa, and I. A. Salihi, “Analisis Sentimen Terhadap Penggunaan Aplikasi Shopee Mengunakan Algoritma Support Vector Machine (SVM),” Jambura J. Electr. Electron. Eng., vol. 5, no. 1, pp. 32–35, 2023, doi: 10.37905/jjeee.v5i1.16830.

D. Fadila and M. Ikhsan, “Analisis Sentimen Pada Aplikasi Tokopedia Menggunakan Metode Support Vector Machine,” Progresif Julnal Ilm. Komput., vol. 21, no. 1, pp. 238–247, 2025, doi: 10.35889/progresif.v21i1.2593.

A. J. Putri, A. S. Syafira, M. E. Purbaya, and D. Purnomo, “Analisis Sentimen E-Commerce Lazada pada Jejaring Sosial Twitter Menggunakan Algoritma Support Vector Machine,” J. TRINISTIK J. Tek. Ind. Bisnis Digit. dan Tek. Logistik, vol. 1, no. 1, pp. 16–21, 2022, doi: 10.20895/trinistik.v1i1.447.

M. Hamka and Tukiran, “Analisis Sentimen Pengguna E-Commerce dan Marketplace Menggunakan Support Vector Machine,” J. Rekayasa Sist. Inf. dan Teknol., vol. 1, no. 4, pp. 273–282, 2024, doi: 10.59407/jrsit.v1i4.555.

C. Voigt, S. Schlögl, and A. Groth, “Dark Patterns in Online Shopping: of Sneaky Tricks, Perceived Annoyance and Respective Brand Trust,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 12783 LNCS, pp. 143–155, 2021, doi: 10.1007/978-3-030-77750-0_10.

F. Koto and G. Y. Rahmaningtyas, “Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs,” 2017 Int. Conf. Asian Lang. Process., pp. 391–394, 2017, doi: 10.1109/IALP.2017.8300625.

R. Ramlan, N. Satyahadewi, and W. Andani, “Analisis Sentimen Pengguna Twitter Menggunakan Support Vector Machine Pada Kasus Kenaikan Harga BBM,” Jambura J. Math., vol. 5, no. 2, pp. 431–445, 2023, doi: 10.34312/jjom.v5i2.20860.

D. Robison Manalu, M. Christofell, L. Tobing, and M. Yohanna, “METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi ANALISIS SENTIMEN TWITTER TERHADAP WACANA PENUNDAAN PEMILU DENGAN METODE SUPPORT VECTOR MACHINE,” Menthomika, vol. 6, no. 2, pp. 149–156, 2022, [Online]. Available: https://doi.org/10.46880/jmika.Vol6No2.pp149-156

D. Mustafa Abdullah and A. Mohsin Abdulazeez, “Machine Learning Applications based on SVM Classification A Review,” Qubahan Acad. J., vol. 1, no. 2, pp. 81–90, Apr. 2021, doi: 10.48161/qaj.v1n2a50.

Y. I. Kurniawan, A. Rahmawati, N. Chasanah, and A. Hanifa, “Application for determining the modality preference of student learning,” J. Phys. Conf. Ser., vol. 1367, no. 1, 2019, doi: 10.1088/1742-6596/1367/1/012011.

Y. Guo, S. Han, Y. Li, C. Zhang, and Y. Bai, “K-Nearest Neighbor combined with guided filter for hyperspectral image classification,” Procedia Comput. Sci., vol. 129, pp. 159–165, 2018, doi: 10.1016/j.procs.2018.03.066.

I. Setiawan et al., “Credit Risk Management Prediction Using the Support Vector Machine (SVM) Algorithm,” Proc. 1st Int. Conf. Mech. Ind. Mater. Eng. (MIMSE-I-C 2022), vol. 102, pp. 195–206, 2022, doi: 10.2991/978-94-6463-084-8_18.

I. MAHENDRO and D. ABIMANTO, ALGORITMA SUPPORT VECTOR MACHINE UNTUK MENGANALISA KEPUASAN MAHASISWA TERHADAP PEMBELAJARAN E-LEARNING. Semarang: Cv Pustaka Stimart AMINI, 2022.

M. H. Aufan, M. R. Handayani, A. B. Nurjanna, and N. C. Hendro, “THE PERCEPTIONS OF SEMARANG FIVE STAR HOTEL TOURISTS WITH SUPPORT VECTOR MACHINE ON GOOGLE REVIEWS PERSEPSI WISATAWAN HOTEL BINTANG LIMA SEMARANG DENGAN,” vol. 5, no. 5, pp. 1241–1247, 2025.

M. R. Zamroni, R. A. Hamid, S. Mujilahwati, and M. Sholihin, “DETECTION OF BULLYING CONTENT IN ONLINE NEWS USING A COMBINATION OF RoBERTa-BiLSTM DETEKSI KONTEN PERUNDUNGAN DALAM BERITA ONLINE MENGGUNAKAN KOMBINASI RoBERTa-BiLSTM,” vol. 6, no. 1, pp. 41–50, 2025.