ANALISIS SENTIMEN PENGGUNA LAYANAN BPJS KESEHATAN MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN)

• IRFAN HIDAYAT, ACHMAD FAHRURI

---

ABSTRAK

ABSTRAK

Irfan Hidayat (11207001) dan Achmad Fahruri, Analisis Sentimen Pengguna Layanan BPJS Kesehatan Menggunakan Metode Naive Bayes dan K-Nears Neighbor (KNN)

BPJS Kesehatan merupakan program pemerintah yang berfungsi untuk memberikan layanan yang baik bagi peserta, dalam hal ini adalah bidang kesehatan. Semakin banyak penduduk yang menggunakan layanan tersebut semakin banyak juga pro dan kontra dari masyarakat Indonesia terkait layanan kesehatan pada BPJS ini. Seiring dengan perkembangan zaman saat ini biasanya masyarakat mengemukakan pendapat melalui media sosial, dan twitter adalah salah satu media sosial yang sering digunakan oleh masyarakat Indonesia. Informasi yang didapatkan dari media sosial dapat berupa pendapat positif maupun negatif dan biasanya opini masyarakat di media sosial sangat tidak terstruktur maka analisis sentimen merupakan metode untuk lebih menstrukturkan opini tersebut sehingga dapat dianalisis menggunakan metode komputasi. Oleh karena itu kami melakukan analisis sentimen terhadap layanan BPJS pada twitter dengan tujuan untuk mengetahui seberapa besar masyarakat merasakan manfaat dari program BPJS dan mengetahui permasalahan yang masih timbul dalam layanan BPJS Kesehatan dengan crawling data sebanyak 2000 data dari twitter yang kemudian difiltering dan cleansing menjadi 744 data dikarenakan adanya data yang duplikat. Kami menggunakan metode Naïve Bayes dan KNN untuk tingkat akurasi dari kedua metode tersebut dan kami menggunakan tools RapidMiner versi 9.10. Hasil penelitian menunjukan bahwa analisis sentimen pada twitter terhadap layanan BPJS Kesehatan dengan menggunakan metode Naïve Bayes mencapai tingkat akurasi 95,70% dimana class precision untuk pred.negative adalah 100% dan pred.positive adalah 92,08% sedangkan dengan metode KNN menghasilkan akurasi mencapai 95.21%, precisi mencapai 100%, recall mencapai 90.43%, dan AUC mencapai 0.99% serta pada nilai k=5 dengan accuracy mencapai 82.62%, precisi mencapai 78.57%, recall mencapai 89.72%, dan AUC mencapai 0.95%. Kata Kunci : BPJS Kesehatan, Twitter, Analisis Sentimen

KATA KUNCI

Algoritma Naive Bayes

---

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 646, 2021, doi: 10.32493/informatika.v5i4.7622.

[2] I. Utami and M. Marzuki, “Analisis Sistem Informasi Banjir Berbasis Media Twitter,” J. Fis. Unand, vol. 9, no. 1, pp. 67–72, 2020, doi: 10.25077/jfu.9.1.67- 72.2020.

[3] Redaksi OCBC NISP, “BPJS Adalah: Pengertian, Jenis, dan Layanan yang Disediakan,” Ocbc Nisp, 2022. https://www.ocbcnisp.com/id/article/2022/01/03/bpjsadalah

[4] A. Sasmito Aribowo, “Analisis Sentimen Publik pada Program Kesehatan Masyarakat menggunakan Twitter Opinion Mining,” Semin. Nas. Inform. Medis, vol. 0, no. 0, pp. 17–23, 2018, [Online]. Available: https://journal.uii.ac.id/snimed/article/view/11877

[5] P. N. Lhokseumawe, K. Pengantar, rahayu deny danar dan alvi furwanti Alwie, A. B. Prasetio, and R. Andespa, “Tugas Akhir Tugas Akhir,” J. Ekon. Vol. 18, Nomor 1 Maret201, vol. 2, no. 1, pp. 41–49, 2020.

[6] N. I. Cahyaningrum, D. W. Yoshida Fatima, W. A. Kusuma, S. A. Ramadhani, M. R. Destanto, and R. Nooraeni, “Analysis of User Sentiment of Twitter to Draft KUHP,” J. Mat. Stat. dan Komputasi, vol. 16, no. 3, p. 273, 2020, doi: 10.20956/jmsk.v16i3.8239.

[7] R. Amanda, “Pemanfaatan Jejaring Sosial Twitter Sebagai Media Penyebaran informasi Publik (Studi Pada Akun Twitter @djplkemenhub151),” Widya Komunika, vol. 12, no. 2, p. 13, 2021, doi: 10.20884/1.wk.2021.12.2.4567.

[8] datareportal.com, “Digital 2022: Indonesia,” https://datareportal.com, 2022. https://datareportal.com/reports/digital-2022-indonesia (accessed Apr. 29, 2022).

[9] J. S. Ronen Feldman, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. 2006.

[10] R. Fahlapi and Y. Rianto, “Twitter Comment Predictions on Dues Changes BPJS Health In 2020,” SinkrOn, vol. 5, no. 1, p. 170, 2020, doi: 10.33395/sinkron.v5i1.10588.

[11] U. Islam et al., “Klasifikasi Dokumen Tugas Akhir Berbasis Text Mining menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor,” Semin. Nas. Teknol. Informasi, Komun. dan Ind. 11, no. November, pp. 178–186, 2019.

[12] M. Z. Deny Jollyta, William Ramdhan, Konsep Data Mining Dan Penerapan. 2020.

[13] F. Retnowati, N. Q. Nada, M. Novita, and J. Informatika, “Aplikasi Data Mining Untuk Prediksi Tingkat Kelulusan Siswa Dengan Menggunakan Metode Naive,” … Nasional Science and …, vol. 4, no. Sens 4. pp. 247–251, 2019. [Online]. Available: http://conference.upgris.ac.id/index.php/sens4/article/download/668/419

[14] A. Rosadi et al., “Analisis Sentimen Berdasarkan Opini Pengguna pada Media Twitter Terhadap BPJS Menggunakan Metode Lexicon Based dan Naïve Bayes Classifier,” J. Ilm. Komputasi, vol. 20, no. 1, pp. 39–52, 2021, doi: 75 10.32409/jikstik.20.1.401.

[15] P. D. Wulandari, U. Enri, and A. Primajaya, “Analisis Sentimen Terhadap Kenaikan Iuran Bpjs Kesehatan Pada Twitter Menggunakan Naïve Bayes Classifier,” J. Ilmu Komput. dan Teknol., vol. 1, no. 2, pp. 18–22, 2020, doi: 10.35960/ikomti.v1i2.575.

[16] E. Prasetyowati, Data Mining Pengelompokan Data untuk Informasi dan Evaluasi. 2017. [Online]. Available: https://books.google.com.sg/books?id=rEH2DwAAQBAJ&dq=%22pengertian+data+ mining%22&lr=&hl=id&source=gbs_navlinks_s

[17] M. Z. Deny Jollyta, William Ramdhan, Konsep Data Mining Dan Penerapan - Google Books. 2020. [Online]. Available: https://www.google.co.id/books/edition/Konsep_Data_Mining_Dan_Penerapan/piMJ EAAAQBAJ?hl=id&gbpv=1

[18] J. Suntoro, “Data Mining Algoritma dan Implementasi dengan Pemrograman PHP,” Elex Media Komputindo, vol. 1. 2019. [Online]. Available: https://www.cambridge.org/core/product/identifier/CBO9781139058452A007/type/b ook_part