UNITOMOUNITOMO

Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi

Dalam tahap pra-pemrosesan analisis sentimen, ada beberapa langkah penting, salah satunya adalah normalisasi kata, yaitu mengubah kata-kata tidak standar menjadi kata-kata standar. Namun, beberapa penelitian tentang analisis sentimen umumnya tidak melalui tahap normalisasi kata, yang dapat memengaruhi akurasi. Penelitian ini bertujuan untuk membandingkan pengaruh normalisasi kata pada metode Naive Bayes Classifier dan K-Nearest Neighbor untuk analisis sentimen opini publik tentang Badan Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan). Pengumpulan data, pelabelan, pra-pemrosesan dengan dua skenario berbeda, pembobotan kata dengan TF-IDF, klasifikasi menggunakan Naive Bayes Classifier dan K-Nearest Neighbor, dan terakhir menghitung akurasi dari Confusion Matrix adalah langkah-langkah yang terlibat. Sebagai hasil dari fakta yang ditemukan ini, hasil akurasi paling unggul diperoleh dengan metode Naive Bayes Classifier skenario 1, yaitu dengan menggunakan normalisasi kata pada tahap pra-pemrosesan dan mendapatkan akurasi sebesar 87,14%. Penelitian ini menunjukkan bahwa metode Naive Bayes Classifier dengan normalisasi kata menghasilkan akurasi, presisi, recall, dan F1-score yang lebih baik.

Penelitian ini menunjukkan bahwa melakukan normalisasi kata pada metode Naïve Bayes Classifier dan K-Nearest Neighbor menghasilkan akurasi yang lebih tinggi dibandingkan tanpa normalisasi kata.Metode Naïve Bayes Classifier, baik dengan skenario 1 maupun 2, memiliki akurasi yang lebih baik dibandingkan dengan metode K-Nearest Neighbor pada kedua skenario.Dalam pengujian model dengan 1050 data, akurasi yang diperoleh oleh metode Naïve Bayes Classifier dengan skenario 1 adalah 87.

Penelitian selanjutnya dapat memperdalam pemahaman tentang analisis sentimen dengan beberapa cara. Pertama, variasi dataset dapat ditingkatkan dengan menyertakan sumber data lain seperti forum online atau ulasan aplikasi, untuk melihat apakah hasilnya konsisten di berbagai platform. Kedua, eksplorasi metode *deep learning* seperti LSTM (Long Short-Term Memory) atau model *transformer* bisa dilakukan, karena model ini memiliki kemampuan menangkap konteks kalimat yang lebih kompleks. Ketiga, perluasan fokus pada aspek spesifik dari BPJS Kesehatan, seperti kepuasan pasien terhadap layanan tertentu atau efektivitas program-program kesehatan yang ditawarkan, dapat memberikan wawasan yang lebih rinci dan berguna bagi pembuat kebijakan. Keempat, penelitian dapat dilakukan dari perspektif yang berbeda dengan menganalisis sentimen dari tenaga kesehatan, sehingga diketahui berbagai kendala dan tantangan dalam pelaksanaan BPJS Kesehatan.

  1. Penerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS Kesehatan... journal.universitasbumigora.ac.id/index.php/bite/article/view/904Penerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS Kesehatan journal universitasbumigora ac index php bite article view 904
  2. Twitter Comment Predictions on Dues Changes BPJS Health In 2020 | Sinkron : jurnal dan penelitian teknik... jurnal.polgan.ac.id/index.php/sinkron/article/view/10588Twitter Comment Predictions on Dues Changes BPJS Health In 2020 Sinkron jurnal dan penelitian teknik jurnal polgan ac index php sinkron article view 10588
  1. #nearest neighbor#nearest neighbor
  2. #naive bayes#naive bayes
Read online
File size344.98 KB
Pages7
Short Linkhttps://juris.id/p-2LC
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test