TEXT MINING UNTUK KLASIFIKASI SENTIMEN ULASAN APLIKASI MOBILE JKN
DOI:
https://doi.org/10.62281/p1hxta17Keywords:
Analisis Sentimen, Support Vector Machine, Aplikasi JKN, Natural Language Processing, Google Play Store, Klasifikasi TeksAbstract
Aplikasi Mobile JKN (Jaminan Kesehatan Nasional) merupakan platform digital yang penting dalam pelayanan kesehatan di Indonesia. Untuk meningkatkan kualitas layanan, analisis sentimen terhadap ulasan pengguna di Google Play Store menjadi sangat relevan. Penelitian ini menggunakan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan sentimen ulasan pengguna aplikasi Mobile JKN menjadi tiga kategori: positif, negatif, dan netral. Dataset penelitian terdiri dari 5.432 ulasan yang diambil dari Google Play Store selama periode Januari hingga Desember 2024. Tahap preprocessing meliputi tokenisasi, stemming, dan penghilangan stopwords menggunakan pustaka Natural Language Toolkit (NLTK) berbahasa Indonesia. Ekstraksi fitur dilakukan menggunakan TF-IDF (Term Frequency-Inverse Document Frequency) dengan kernel linear dan polynomial. Hasil penelitian menunjukkan bahwa SVM dengan kernel linear mencapai akurasi 87,65% dengan precision 0,884 dan recall 0,876, outperforming kernel polynomial yang mencapai 85,32%. Studi ini mengidentifikasi bahwa keluhan utama pengguna berkaitan dengan keterlambatan sinkronisasi data (32%), kesulitan navigasi antarmuka (28%), dan gangguan teknis (25%), sementara aspek positif fokus pada kemudahan akses (41%) dan kelengkapan fitur (38%). Insight dari penelitian ini dapat menjadi dasar untuk perbaikan berkelanjutan aplikasi Mobile JKN dan strategi peningkatan user satisfaction. Metode SVM terbukti efektif untuk analisis sentimen dalam konteks aplikasi kesehatan digital Indonesia.
Downloads
References
Aji, A. F., Winata, G. I., Koto, F., Cahyawijaya, S., Romadhony, A., Mahendra, R., Kurniawan, K., Moeljadi, D., Prasojo, R. E., Baldwin, T., Lau, J. H., & Ruder, S. (n.d.). One Country , 700 + Languages : NLP Challenges for Underrepresented Languages and Dialects in Indonesia.
Albert, P., Zhang, F. Z., Saratchandran, H., Anton, C. R., & Ehsan, V. D. H. (2025). R AND L O RA : F ULL - RANK PARAMETER - EFFICIENT FINE - TUNING OF LARGE MODELS. 1–25.
Brown, T. B., Kaplan, J., Ryder, N., Henighan, T., Chen, M., Herbert-voss, A., Ziegler, D. M., Krueger, G., Askell, A., Hesse, C., & Mccandlish, S. (n.d.). Language Models are Few-Shot Learners.
Cahyawijaya, S., Lovenia, H., Aji, A. F., Winata, G. I., Wilie, B., Koto, F., Mahendra, R., Wibisono, C., Romadhony, A., Vincentio, K., Santoso, J., Moeljadi, D., Nityasya, M. N., Adilazuarda, M. F., & Ignatius, R. (2022). NusaCrowd : Open Source Initiative for Indonesian NLP Resources.
Dodge, J., Ilharco, G., Schwartz, R., Farhadi, A., Hajishirzi, H., & Smith, N. (2019). Fine-Tuning Pretrained Language Models: Weight Initializations, Data Orders, and Early Stopping.
Fauzi, M. T., Rani, S., Hidayat, S., Bahasa, P., Keguruan, F., Bangsa, U. B., Jl, A., Serang, R., No, K. M., & Jaya, K. C. (2025). Pemertahanan Bahasa Jawa Serang pada Fenomena Campur Kode dalam Akun Instagram Influenser Mang Aplen sebagai Kearifan Lokal Masyarakat Kabupaten Serang signifikan dalam hal kebiasaan hidup akibat dari memainkan sosial media . Salah sosial media.
Gao, C., Chen, K., Rao, J., Liu, R., & Sun, B. (2025). MoLA : MoE LoRA with Layer-wise Expert Allocation. 5112–5127.
He, J., Berg-kirkpatrick, T., & Neubig, G. (2022). T OWARDS A U NIFIED V IEW OF P ARAMETER -E FFICIENT T RANSFER L EARNING. 1–15.
Hedderich, M. A., Lange, L., Adel, H., Strötgen, J., & Klakow, D. (2021). A Survey on Recent Approaches for Natural Language Processing in Low-Resource Scenarios. 2545–2568.
Joshi, P., Santy, S., & Budhiraja, A. (2020). The State and Fate of Linguistic Diversity and Inclusion in the NLP World. 6282–6293.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 faisal akhmad (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
