Pemodelan Sentimen Pengguna Layanan Mobile JKN Menggunakan Artificial Neural Network
Sentiment Modeling of Mobile JKN Service Users Using Artificial Neural Network
DOI:
https://doi.org/10.57152/ijirse.v6i1.2623Kata Kunci:
Artificial Neural Network, Google play store, K-Fold Cross Validation, Klasifikasi, Mobile JKN, UlasanAbstrak
Mobile JKN memiliki fitur yang memudahkan peserta BPJS untuk mendapatkan pelayanan kesehatan dan mempunyai beberapa fitur yang menarik sehingga dapat dimanfaatkan oleh pengguna, aplikasi ini dapat dinilai bagaimana masyarakat memanfaatkan fasilitas tersebut berdasarkan ulasan pengguna yang terdapat pada google play store. Penelitian ini bertujuan untuk menerapkan algoritma Artificial Neural Network (ANN) dalam mengklasifikasikan ulasan pengguna, serta memvisualisasikan sentimen pengguna terhadap layanan tersebut. Dengan menggunakan 20.000 data ulasan berkualitas tinggi dari tahun 2018 hingga 2025, penelitian ini melibatkan preprocessing teks dan klasifikasi data dengan Python menggunakan 10 K-Fold Cross Validation. Hasil menunjukkan bahwa ANN mencapai akurasi sebesar 98,6%, presisi sebesar 98,6%, dan recall sebesar 98,6% dalam mengklasifikasikan sentimen positif, negatif, dan netral. Waktu proses pelatihan model yaitu totalnya 22,09 menit pada 10 epochs. Selanjutnya visualisasi sentimen menunjukkan pola yang bermakna yaitu ulasan positif mencerminkan pengalaman pengguna yang memuaskan, sementara ulasan negatif menyoroti masalah seperti kesulitan mendaftar atau verifikasi, lalu ulasan netral cenderung menyajikan informasi atau fakta secara umum. Penelitian ini memberikan wawasan berharga bagi pengembang aplikasi dan penyelenggara layanan kesehatan untuk meningkatkan pengalaman pengguna dan kualitas layanan Mobile JKN
Referensi
A. Karim, A. Azhari, S. B. Belhaouri, and A. A. Qureshi, “Machine Learning Algorithm’s Measurement and Analytical Visualization of User’s Reviews for Google Play Store,” Preprints (Basel), 2020.
E. Hasibuan and E. A. Heriyanto, “Analisis Sentimen Pada Ulasan Aplikasi Amazon Shopping Di Google Play Store Menggunakan Naive Bayes Classifier,” Jurnal Teknik dan Science, vol. 1, no. 3, pp. 13–24, 2022.
M. Nurmalasari, N. A. Temesvari, and S. N. Maula, “Analisis Sentimen terhadap Opini Masyarakat dalam Penggunaan Mobile-JKN untuk Pelayanan BPJS Kesehatan Tahun 2019,” Indonesian of Health Information Management Journal (INOHIM), vol. 8, no. 1, pp. 35–44, 2020.
M. M. Rohman, I. Indriati, and S. Adinugroho, “Analisis Sentimen pada Ulasan Aplikasi Mobile JKN Menggunakan Metode Maximum Entropy dan Seleksi Fitur Gini Index Text,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 6, pp. 2646–2654, 2021.
L. Zhang and B. Liu, “Sentiment Analysis and Opinion Mining,” Springer Nature, 2017, pp. 1152–1161. doi: 10.1007/978-1-4899-7687-1_907.
H. Hassani, C. Beneki, S. Unger, M. T. Mazinani, and M. R. Yeganegi, “Text Mining in Big Data Analytics,” Big Data and Cognitive Computing, vol. 4, no. 1, p. 1, Jan. 2020, doi: 10.3390/bdcc4010001.
S. Yadav and S. Yadav, “Text mining of Voot application reviews on Google Play Store,” Int. Res. J. Eng. Technol. e-ISSN, pp. 1204–1208, 2018.
S. Venkatakrishnan, A. Kaushik, and J. K. Verma, “Sentiment Analysis on Google Play Store Data Using Deep Learning,” 2020, pp. 15–30. doi: 10.1007/978-981-15-3357-0_2.
P. D. Rinanda and Mustakim, “Implementation of PNN, ANN And K-NN Algorithms on Indonesian Marketplace Reviews on Google Play Store,” in 2024 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems (ICETSIS), IEEE, Jan. 2024, pp. 1070–1074. doi: 10.1109/ICETSIS61505.2024.10459477.
M. Mustakim, A. Hidayat, Z. Efendi, A. Aszani, R. Novita, and E. T. Lestari, “Algorithm comparison of naive bayes classifier and probabilistic neural network for water area classification of fishing vessel in Indonesia,” J Theor Appl Inf Technol, vol. 96, pp. 4114–4125, Feb. 2018.
R. Yadav, I. Sreedevi, and D. Gupta, “Augmentation in performance and security of WSNs for IoT applications using feature selection and classification techniques,” Alexandria Engineering Journal, vol. 65, pp. 461–473, Feb. 2023, doi: 10.1016/j.aej.2022.10.033.
A. Thakkar, D. Mungra, A. Agrawal, and K. Chaudhari, “Improving the Performance of Sentiment Analysis Using Enhanced Preprocessing Technique and Artificial Neural Network,” IEEE Trans Affect Comput, vol. 13, no. 4, pp. 1771–1782, Oct. 2022, doi: 10.1109/TAFFC.2022.3206891.
S. Pradha, M. N. Halgamuge, and N. Tran Quoc Vinh, “Effective Text Data Preprocessing Technique for Sentiment Analysis in Social Media Data,” in 2019 11th International Conference on Knowledge and Systems Engineering (KSE), IEEE, Oct. 2019, pp. 1–8. doi: 10.1109/KSE.2019.8919368.
H. Liu, X. Chen, and X. Liu, “A Study of the Application of Weight Distributing Method Combining Sentiment Dictionary and TF-IDF for Text Sentiment Analysis,” IEEE Access, vol. 10, pp. 32280–32289, 2022, doi: 10.1109/ACCESS.2022.3160172.
T. Ridwansyah, “Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 2, no. 5, pp. 178–185, Apr. 2022, doi: 10.30865/klik.v2i5.362.
O. I. Abiodun, A. Jantan, A. E. Omolara, K. V. Dada, N. A. Mohamed, and H. Arshad, “State-of-the-art in artificial neural network applications: A survey,” Heliyon, vol. 4, no. 11, p. e00938, Nov. 2018, doi: 10.1016/j.heliyon.2018.e00938.
J. Feng and S. Lu, “Performance Analysis of Various Activation Functions in Artificial Neural Networks,” J Phys Conf Ser, vol. 1237, no. 2, p. 022030, Jun. 2019, doi: 10.1088/1742-6596/1237/2/022030.
S. Hikmawan, A. Pardamean, and S. N. Khasanah, “Sentimen Analisis Publik Terhadap Joko Widodo terhadap wabah Covid-19 menggunakan Metode Machine Learning,” Jurnal Kajian Ilmiah, vol. 20, no. 2, pp. 167–176, 2020.
