ANALISIS SENTIMEN ULASAN APLIKASI MOBILE JKN MENGGUNAKAN MULTINOMIAL NAIVE BAYES

Fadrian nurfathir; Bambang Irawan; Ahmad Faqih; Cep Lukman Rohmat; Gifthera Dwilestari

Authors

Fadrian nurfathir STMIK IKMI CIREBON, Indonesia
Bambang Irawan STMIK IKMI Cirebon, Indonesia
Ahmad Faqih STMIK IKMI Cirebon, Indonesia
Cep Lukman Rohmat STMIK IKMI Cirebon, Indonesia
Gifthera Dwilestari STMIK IKMI Cirebon, Indonesia

Keywords:

Mobile JKN, Analisis Sentimen, Multinomial Naive Bayes, Algoritma Naive Bayes, TF-IDF

Abstract

Aplikasi Mobile JKN merupakan platform layanan kesehatan digital yang disediakan BPJS Kesehatan untuk mempermudah akses peserta Jaminan Kesehatan Nasional. Namun, ulasan pengguna di Google Play Store menunjukkan berbagai keluhan seperti kegagalan verifikasi wajah, kesulitan login, dan ketidakstabilan aplikasi. Penelitian ini bertujuan menganalisis sentimen ulasan tersebut menggunakan algoritma Multinomial Naive Bayes. Sebanyak 3.000 ulasan terbaru diambil melalui teknik web scraping, kemudian melalui tahapan preprocessing berupa cleansing, case folding, tokenizing, stopword removal, dan stemming. Dari total data, 2.767 ulasan valid diberi label manual menjadi tiga kategori: positif, negatif, dan netral. Fitur teks direpresentasikan menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), kemudian diklasifikasikan menggunakan Multinomial Naive Bayes dengan pembagian data latih dan data uji 80:20. Hasil eksperimen menunjukkan bahwa model memperoleh performa tinggi dengan accuracy 94,76%, precision 94,86%, recall 94,76%, dan F1-score 93,90%. Model bekerja sangat baik untuk sentimen positif dan negatif, tetapi kurang optimal pada kelas netral akibat ketidakseimbangan data. Temuan ini menunjukkan bahwa kombinasi TF-IDF dan Multinomial Naive Bayes efektif untuk memetakan persepsi pengguna Mobile JKN serta dapat menjadi dasar evaluasi peningkatan kualitas layanan digital BPJS Kesehatan.

References

Aftab, F., Bazai, S. U., Marjan, S., Baloch, L., Aslam, S., Amphawan, A., & Neo, T.-K. (2023). A comprehensive survey on sentiment analysis techniques. International Journal of Technology, 14(6), 1288–1298. https://doi.org/10.14716/ijtech.v14i6.6632

Aji, E. P., & Budiarti, Y. (2025). Analisis sentimen ulasan aplikasi Vision+ pada Google Play Store menggunakan algoritma Naive Bayes classifier. JNKTI, 8(5). https://doi.org/10.32672/jnkti.v8i5.9846

Akmali, F., Riyanto, A. D., & Darmayanti, I. (2024). Optimization Naïve Bayes algorithm in sentiment analysis of Bukalapak app reviews. Sinkron: Jurnal Dan Penelitian Teknik Informatika, 8(1), 145–151. https://doi.org/10.33395/sinkron.v9i1.13132

Djakaria, A. P. P., Pratiwi, O. N., & Fakhrurroja, H. (2023). SENTIMENT ANALYSIS OF PUBLIC OPINIONS TOWARDS TELKOM UNIVERSITY POST PANDEMIC. JURTEKSI (Jurnal Teknologi Dan Sistem Informasi), 10(1), 59–66. https://doi.org/10.33330/jurteksi.v10i1.2645

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3), 37–54. https://doi.org/10.1609/aimag.v17i3.1230

Gerliandeva, A., Chrisnanto, Y., & Ashaury, H. (2024). Optimization of sentiment classification on online comments using Multinomial Naïve Bayes and TF-IDF feature extraction and N-grams. Jurnal Pekommas, 9(2). https://doi.org/10.56873/jpkm.v9i2.5585

Guo, Y., Feng, S., Liu, F., Lin, W., Liu, H., Wang, X., Su, J., & Gao, Q. (2024). Enhanced Chinese Domain Named Entity Recognition: An Approach with Lexicon Boundary and Frequency Weight Features. Applied Sciences (Switzerland), 14(1), 354. https://doi.org/10.3390/app14010354

Helmayanti, S. A., Hamami, F., & Fa’rifah, R. Y. (2023). Penerapan algoritma TF-IDF dan Naïve Bayes untuk analisis sentimen berbasis aspek ulasan aplikasi Flip pada Google Play Store. Jurnal Indonesia: Manajemen Informatika Dan Komunikasi, 4(3), 1822–1834. https://doi.org/10.35870/jimik.v4i3.415

Hizria, R., Sarwadi, S., Hasibuan, R. A., Ritonga, R., & Rosnelly, R. (2024). Sentiment Analysis on Cyanide Case After “Ice Cold” Aired With NLP Method Using Naïve Bayes Algorithm. Journal of Computer Networks Architecture and High Performance Computing, 6(1), 231–236. https://doi.org/10.47709/cnahpc.v6i1.3408

Hokijuliandy. (2023). Application of SVM and Chi-Square Feature Selection for Sentiment Analysis of Indonesia’s National Health Insurance Mobile Application. Mathematics, 11(17). https://doi.org/10.3390/math11173765

Ning, X., Luo, D., & Zhang, S. (2024). Analysis and prediction of tennis players’ match performance with sentiment analysis. 14. https://doi.org/10.1117/12.3026323

Purbaratri, W., Purnomo, H. D., Manongga, D., Setyawan, I., & Hendry, H. (2024). Sentiment analysis of e-government service using the Naive Bayes algorithm. Matrik: Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 23(2), 441–452. https://doi.org/10.30812/matrik.v23i2.3272

Rajesh, A., & Hywarkar, T. (2023). Exploring Preprocessing Techniques for Natural LanguageText: A Comprehensive Study Using Python Code. International Journal of Engineering Technology and Management Sciences, 7(5), 390–399. https://doi.org/10.46647/ijetms.2023.v07i05.047

Sutedja, I., & Hendry, H. (2025). Sentiment analysis: An insightful literature review. International Journal of Advanced Computer Science and Applications, 16(3).