EVALUASI LAYANAN KETENAGAKERJAAN DIGITAL PADA ULASAN APLIKASI SIAPKERJA DI GOOGLE PLAY MENGGUNAKAN NAIVE BAYES

Iskandar -; Rudi Kurniawan; Bani Nurhakim; Nining Rahaningsih; Willy Prihartono

Authors

Iskandar - STMIK IKMI Cirebon, Indonesia
Rudi Kurniawan STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Nining Rahaningsih STMIK IKMI Cirebon, Indonesia
Willy Prihartono STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, e-Government, Multinomial Naive Bayes, Ulasan Pengguna, TF-IDF

Abstract

SIAPkerja merupakan aplikasi layanan ketenagakerjaan digital yang dikembangkan oleh Kementerian Ketenagakerjaan Republik Indonesia untuk mendukung proses pencarian kerja, pelatihan, serta program jaminan kehilangan pekerjaan dalam satu platform terintegrasi. Ulasan pengguna di Google Play Store menyediakan masukan penting terkait kualitas dan efektivitas layanan, namun sulit dianalisis secara manual karena jumlahnya besar dan berbentuk teks tidak terstruktur. Penelitian ini menerapkan analisis sentimen berbasis algoritma Multinomial Naive Bayes untuk mengklasifikasikan ulasan SIAPkerja ke dalam sentimen positif, netral, dan negatif. Alur penelitian meliputi pengumpulan data ulasan dari Google Play Store, pelabelan manual, preprocessing teks (pembersihan, case folding, tokenisasi, normalisasi, penghapusan stopword, dan stemming), ekstraksi fitur menggunakan TF–IDF, penanganan ketidakseimbangan kelas dengan SMOTE, serta evaluasi model menggunakan skema 5-fold cross-validation. Dataset terdiri dari 1.359 ulasan yang dikumpulkan pada rentang waktu 1 Januari 2024 hingga 30 September 2025. Hasil eksperimen menunjukkan bahwa model Multinomial Naive Bayes mencapai akurasi rata-rata sebesar 82,7% dengan nilai F1-score sebesar 0,60. Temuan ini mengindikasikan bahwa sentimen negatif mendominasi ulasan pengguna, terutama terkait kendala login dan registrasi, proses verifikasi dan klaim, serta stabilitas aplikasi. Penelitian ini menunjukkan bahwa analisis sentimen dapat dimanfaatkan sebagai alat evaluasi berbasis data untuk mendukung peningkatan kualitas layanan ketenagakerjaan digital pemerintah di Indonesia.

References

(Alqaryouti, O, Siyam, N, Monem, A., A, Shaalan, & K. (2024). Aspect-based sentiment analysis using smart government review data. DOI: Https://Doi. https://doi.org/10.1016/j.aci.2019.11.003

Bordoloi, M., & Biswas, S. K. (2023). Sentiment analysis: A survey on design framework, applications and future scopes. Artificial Intelligence Review, 56, 12505–12560. https://doi.org/10.1007/s10462-023-10442-2

Desmal, A., J., & al, et. (2022). A user satisfaction model for mobile government services. International Journal of Environmental Research and Public Health, 19, Article 4620. https://doi.org/10.3390/ijerph19084620

Google. (2025). SIAPkerja – ekosistem digital ketenagakerjaan [Aplikasi seluler]. https://play.google.com/store/apps/details?id=id.go.kemnaker.siapkerja

Indonesia, K. K. R. (2022). Menaker resmikan portal layanan digital SIAPkerja di Bekasi. https://www.kemnaker.go.id/news/detail/menaker-resmikan-portal-layanan-digital-siapkerja-di-bekasi

Putra, P. T., Anggrawan, A., & Hairani, H. (2023). Comparison of machine learning methods for classifying user satisfaction opinions of the PeduliLindungi application. Matrik: Jurnal Manajemen, Teknik Informatika, Dan Rekayasa Komputer, 22(3). https://doi.org/10.30812/matrik.v22i3.2860

Qahar, M. Y. A., Ruldeviyani, Y., Mukharomah, U. N., Fidyawan, M. A., & Putra, R. (2024). Factor analysis influencing Mobile JKN user experience using sentiment analysis. International Journal of Artificial Intelligence, 13(2). https://doi.org/10.11591/ijai.v13.i2.pp1782-1793

Saputra, A., Hariyono, R. C. S., & Saraswati, N. M. (2024). Analisis Sentimen Pengguna Aplikasi MyPertamina Menggunakan Algoritma Bidirectional Long Short Term Memory. Jurnal Eksplora Informatika, 13(2), 156–163. https://doi.org/10.30864/eksplora.v13i2.973

Saputra, I., Djatna, T., Siregar, R. R. A., Kristiyanti, D. A., Yani, H. R., & Riyadi, A. A. (2022). Text mining of PeduliLindungi application reviews on Google Play Store. Faktor Exacta, 15(2). https://doi.org/10.30998/faktorexacta.v15i2.10629

Septiani, E., Akhriza, T. M., & Husni, M. (2024). Comparison of the Accuracy Between {Naive Bayes} Classifier and Support Vector Machine Algorithms for Sentiment Analysis in {Mobile JKN} Application Reviews. Transaction on Informatics and Data Science, 1(1), 21–32. https://doi.org/10.24090/tids.v1i1.12232

Tanggraeni, A. I., & Sitokdana, M. N. N. (2022). Analisis sentimen aplikasi e-government pada Google Play menggunakan algoritma Naive Bayes. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(2). https://doi.org/10.35957/jatisi.v9i2.1835

UMSU, F. H. (2025). Cari lowongan kerja? Berikut cara mudah daftar akun SIAPkerja Kemnaker 2025. https://fahum.umsu.ac.id/info/cari-lowongan-kerja-berikut-cara-mudah-daftar-akun-siapkerja-kemnaker-2025/

Wulandari, R., & Hidayanto, A. N. (2024). Measuring contact tracing service quality using sentiment analysis: a case study of PeduliLindungi Indonesia. Quality & Quantity, 58, 1409–1424. https://doi.org/10.1007/s11135-023-01695-8