Analisis Sentimen Kepuasan Masyarakat terhadap Pelayanan Aplikasi Mobile JKN Menggunakan Algoritma Naïve Bayes

Muhammad Diaz R Rambe; Martiano

doi:10.33151/ijomss.v4i6.1150

Muhammad Diaz R. Rambe Universitas Muhammadiyah Sumatera Utara
Martiano Universitas Muhammadiyah Sumatera Utara

DOI: https://doi.org/10.33151/ijomss.v4i6.1150

Keywords: analisis sentimen, Naïve Bayes, Mobile JKN, Kelas Rawat Inap Standar, TF-IDF, sistem informasi berbasis web

Abstract

Program Jaminan Kesehatan Nasional (JKN) yang diselenggarakan oleh BPJS Kesehatan sedang memasuki masa transisi kebijakan Kelas Rawat Inap Standar (KRIS) berdasarkan Peraturan Presiden Nomor 59 Tahun 2024. Perubahan kebijakan tersebut memunculkan beragam tanggapan masyarakat yang tersebar pada ulasan aplikasi Mobile JKN di Google Play Store, namun tanggapan tersebut belum diolah menjadi informasi yang dapat dimanfaatkan sebagai bahan evaluasi layanan. Penelitian ini bertujuan mengklasifikasikan sentimen ulasan pengguna aplikasi Mobile JKN menggunakan algoritma Naïve Bayes serta mengimplementasikan hasil klasifikasi ke dalam sistem informasi berbasis web. Data dikumpulkan melalui teknik web scraping terhadap 4.000 ulasan berbahasa Indonesia pada periode 15 Juli sampai dengan 15 Agustus 2026 dan menghasilkan 2.675 ulasan hasil seleksi. Pelabelan dilakukan menggunakan pendekatan rating pengguna dan kamus sentimen InSet dengan verifikasi manual pada ulasan yang kedua pendekatannya berbeda, sehingga diperoleh 751 ulasan berlabel positif dan negatif. Data diproses melalui cleaning, case folding, tokenizing, stopword removal, dan stemming, kemudian dibobotkan menggunakan TF-IDF. Hasil pengujian menunjukkan model Naïve Bayes memperoleh accuracy 90,07%, precision 90,57%, recall 90,07%, dan F1-score 89,99%, sedangkan 10-fold cross validation memperoleh rata-rata akurasi 90,68% dengan simpangan baku 2,60%. Sebaran sentimen menunjukkan 403 ulasan (53,7%) bersentimen negatif dan 348 ulasan (46,3%) bersentimen positif, dengan keluhan pengguna terpusat pada proses autentikasi, khususnya pengiriman kode OTP dan verifikasi akun. Sistem informasi berbasis web yang dibangun berhasil melewati seluruh 12 skenario pengujian Black Box dan dapat digunakan secara berulang untuk menganalisis ulasan pengguna tanpa harus membacanya satu per satu.

Author Biographies

Muhammad Diaz R. Rambe, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

Martiano, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

References

BPJS Kesehatan. (2026). Capaian Program Jaminan Kesehatan Nasional Tahun 2025: Peserta JKN Mencapai 282,7 Juta Jiwa. Jakarta: Badan Penyelenggara Jaminan Sosial Kesehatan.

Dzulkarnain, T., Ratnawati, D. E., & Rahayudi, B. (2024). Penggunaan metode Naïve Bayes Classifier pada analisis sentimen penilaian masyarakat terhadap pelayanan rumah sakit di Malang. Jurnal Teknologi Informasi dan Ilmu Komputer, 11(5), 993–1000. https://doi.org/10.25126/jtiik.2024117979

Handayanto, R. T., Herlawati, H., Atika, P. D., Khasanah, F. N., Yusuf, A. Y. P., & Septia, D. Y. (2021). Analisis sentimen pada situs Google Review dengan Naïve Bayes dan Support Vector Machine. Jurnal Komtika (Komputasi dan Informatika), 5(2), 153–163. https://doi.org/10.31603/komtika.v5i2.6280

Hartini, P., Suarna, N., & Prihartono, W. (2024). Naive Bayes Classifier untuk analisis sentimen ulasan pelanggan pada Domo Coffee and Resto. Jurnal Informatika dan Rekayasa Perangkat Lunak, 6(1), 271–280. https://doi.org/10.36499/jinrpl.v6i1.10315

Hidayat, T., Cahyana, R., & Julianto, I. T. (2024). Analisis sentimen layanan sistem informasi akademik mahasiswa menggunakan algoritma Naive Bayes. Jurnal Algoritma, 21(1), 119–130. https://doi.org/10.33364/algoritma/v.21-1.1514

Koto, F., & Rahmaningtyas, G. Y. (2017). InSet lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. In Proceedings of the 2017 International Conference on Asian Language Processing (IALP) (pp. 391–394). IEEE. https://doi.org/10.1109/IALP.2017.8300625

Librian, A. (2016). Sastrawi: High quality stemmer library for Indonesian language. Diakses dari https://github.com/sastrawi/sastrawi

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825–2830.

Rahmawati, I., Fitriani, T. R., & Yusuf, A. Y. P. (2024). Analisis sentimen menggunakan algoritma Naïve Bayes pada aplikasi m-BCA berdasarkan ulasan pengguna di Google Play Store. Jurnal Riset Informatika dan Teknologi Informasi, 1(2), 38–42. https://doi.org/10.58776/jriti.v1i2.116

Republik Indonesia. (2024). Peraturan Presiden Republik Indonesia Nomor 59 Tahun 2024 tentang Perubahan Ketiga atas Peraturan Presiden Nomor 82 Tahun 2018 tentang Jaminan Kesehatan. Jakarta: Sekretariat Negara.

Rosa, A. S., & Shalahuddin, M. (2019). Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek (Edisi revisi). Bandung: Informatika Bandung.

Sari, M., & Hutagalung, F. S. (2026). Analisis preferensi konsumen dalam pembelian laptop berdasarkan kebutuhan pengguna di Tokopedia menggunakan algoritma Fuzzy SVM (Support Vector Machine). Indonesian Journal of Multidisciplinary Scientific Studies (IJOMSS), 4(4), 157–160. https://doi.org/10.33151/ijomss.v4i4.917