ANALISIS SENTIMEN PADA APLIKASI MOBILE JKN  MENGGUNAKAN METODE TEXT MINING DAN NAIVE BAYES

Rijik Emharis; Rudi Kurniawan; Bani Nurhakim; Nisa Dienwatinuris

Authors

Rijik Emharis STMIK IKMI Cirebon, Indonesia
Rudi Kurniawan STMIK IKMI Cirebon, Indonesia
Bani Nurhakim STMIK IKMI Cirebon, Indonesia
Nisa Dienwatinuris STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, Naïve Bayes, Text Mining, Mobile JKN, TF–IDF

Abstract

Transformasi digital dalam sektor kesehatan mendorong pemanfaatan aplikasi layanan publik, salah satunya Aplikasi Mobile JKN yang dikembangkan oleh BPJS Kesehatan. Meski penggunaan aplikasi meningkat, banyak ulasan pada Google Play Store yang menunjukkan ketidakpuasan pengguna terkait kendala login, gangguan sistem, dan antarmuka yang kurang optimal. Ulasan tersebut menjadi sumber data penting untuk mengevaluasi kualitas layanan secara komputasional melalui pendekatan Text Mining dan Analisis Sentimen. Penelitian ini bertujuan untuk mendeteksi serta menganalisis sentimen pada ulasan pengguna Mobile JKN menggunakan algoritma Multinomial Naïve Bayes. Data penelitian berupa ±2.000 ulasan berbahasa Indonesia diperoleh melalui web scraping menggunakan pustaka google-play-scraper. Tahapan pengolahan teks meliputi case folding, cleaning, tokenization, normalization, negation handling, dan stemming menggunakan Sastrawi. Ekstraksi fitur dilakukan dengan TF–IDF, sementara evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score untuk menilai performa klasifikasi. Hasil penelitian menunjukkan bahwa kombinasi prapengolahan teks yang sistematis dan representasi fitur TF–IDF mampu menghasilkan model klasifikasi yang akurat dan efektif. Multinomial Naïve Bayes terbukti mampu menangani data berdimensi tinggi dan menghasilkan interpretasi yang jelas. Analisis lebih lanjut mengungkap bahwa keluhan dominan pengguna berkaitan dengan performa sistem, proses login, dan pembaruan data. Temuan ini direkomendasikan kepada pengembang sebagai dasar peningkatan kualitas layanan, terutama pada keandalan server, desain antarmuka, serta mekanisme autentikasi.

References

M. A. Palomino And F. Aider, “Evaluating The Effectiveness Of Text Pre-Processing In Sentiment Analysis,” Applied Sciences, Vol. 12, No. 17, P. 8765, 2022, Doi: 10.3390/App12178765.

K. L. Tan, C. P. Lee, And K. M. Lim, “Roberta-Gru: A Hybrid Deep Learning Model For Enhanced Sentiment Analysis,” Applied Sciences, Vol. 13, No. 6, P. 3915, 2023, Doi: 10.3390/App13063915.

A. N. Ma’aly, D. Pramesti, A. D. Fathurahman, And H. Fakhrurroja, “Exploring Sentiment Analysis For The Indonesian Presidential Election Through Online Reviews Using Multi-Label Classification With A Deep Learning Algorithm,” Information, Vol. 15, No. 11, P. 705, 2024, Doi: 10.3390/Info15110705.

A. Jazuli, W. Widowati, And R. Kusumaningrum, “Optimizing Aspect-Based Sentiment Analysis Using Bert For Comprehensive Analysis Of Indonesian Student Feedback,” Applied Sciences, Vol. 15, No. 1, P. 172, 2024, Doi: 10.3390/App15010172.