PEMANFAATAN MULTINOMIAL NAIVE BAYES UNTUK ANALISIS SENTIMEN ULASAN APLIKASI MOBILE JKN

Abstract

Aplikasi kesehatan digital seperti Mobile JKN menjadi solusi penting dalam layanan medis, terutama selama pandemi COVID-19. Namun, ulasan pengguna di Google Play Store mengungkapkan masalah, seperti bug, respons lambat, dan fitur yang belum optimal, yang dapat mengurangi kepercayaan pengguna. Untuk itu, penelitian ini bertujuan menganalisis sentimen ulasan pengguna aplikasi Mobile JKN guna memahami persepsi mereka dan mengidentifikasi aspek-aspek yang perlu ditingkatkan. Penelitian ini mengadopsi pendekatan KDD (Knowledge Discovery in Databases), yang meliputi tahapan data selection, pre-processing, transformasi data menggunakan TF-IDF dan Chi-square, serta analisis sentimen dengan algoritma Multinomial Naïve Bayes. Algoritma ini dipilih karena kemampuannya dalam menangani klasifikasi teks pada dataset besar dan kompleks. Dataset terdiri dari ulasan pengguna Mobile JKN, yang diklasifikasikan ke dalam sentimen positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa model mencapai akurasi 85,5%, dengan performa yang sangat baik dalam mengidentifikasi ulasan negatif (recall tinggi) serta prediksi negatif dan positif yang akurat (precision optimal). Namun, model kurang efektif dalam mengenali ulasan netral dan mendeteksi ulasan positif, kemungkinan akibat representasi data yang belum optimal. Oleh karena itu, diperlukan perbaikan dalam pre-processing dan pemilihan fitur untuk meningkatkan keseimbangan klasifikasi. Temuan ini menegaskan bahwa pemilihan fitur yang tepat dan strategi pre-processing yang optimal dalam meningkatkan performa model analisis sentimen.