Article Per Year (5 Year)
p-Index From 2021 - 2026
1.978
P-Index
This Author published in this journals
All Journal Journal of English Teaching, Applied Linguistics and Literatures (JETALL) Abdimas Universal Jurnal Scientia Jurnal Pengabdian Kepada Masyarakat Ungu ( Abdi Ke Ungu) Jurnal Kewarganegaraan Sport Science and Education Journal Aktual : Jurnal Pengabdian Kepada Masyarakat Jurnal Pendidikan Teknologi Informasi (J-Diteksi) Journal of Technology and Data Science Jurnal Pengabdian Kepada Masyarakat
Rendy Yudha Pratama
Universitas Aisyah Pringsewu
Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Health Professions Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Mathematics Medicine & Pharmacology Public Health Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Analisis Sentimen Pengguna Mobile JKN Menggunakan Algoritma Naïve Bayes Berbasis Text Mining Modern Sigit Andriyanto; Hardo Ardiyanto; Tri Adi Nugroho; Susilo Setiawan; Rendy Yudha Pratama; Sita Muharni; Eko Wardoyo
Journal of Technology and Data Science Vol 4 No 2 (2026): July – December 2026
Publisher : PT. Alesha Media Digital

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59025/jtds.v4i2.60

Abstract

Meningkatnya volume ulasan pengguna pada Google Play Store mencerminkan beragam persepsi terhadap aplikasi Mobile JKN dan memerlukan pendekatan analisis sentimen yang objektif dan otomatis. Penelitian ini menerapkan pipeline text mining yang terdiri atas preprocessing, pembobotan TF–IDF, dan klasifikasi Multinomial Naïve Bayes terhadap 69.296 ulasan Mobile JKN (Januari–Desember 2023) yang dilabeli oleh tiga annotator (Cohen's Kappa = 0,82). Model dievaluasi dengan stratified split 80:20 dan mencapai akurasi 87,2%, jauh melampaui baseline kelas mayoritas 52,4%, dengan precision per kelas sebesar 0,92 (positif), 0,89 (negatif), dan 0,71 (netral), serta macro F1 0,84 dan weighted F1 0,88. Kelas netral paling sulit diklasifikasikan dengan 385 ulasan salah prediksi akibat kata-kata ambigu. Analisis isu dominan mengidentifikasi kendala autentikasi (28%), performa server (22%), dan gangguan teknis (18%) sebagai tema negatif utama, sedangkan kemudahan fitur (35%) dan kecepatan akses (28%) mendominasi umpan balik positif. Hasil ini menunjukkan bahwa pipeline Naïve Bayes berbobot TF–IDF efektif untuk mengklasifikasikan ulasan layanan kesehatan berbahasa Indonesia dan menghasilkan prioritas berbasis bukti bagi peningkatan platform Mobile JKN.
Co-Authors Ahmad Nuruhidin Alfina Alfina Alfina Amir Syaifurrohman Andri Prasetiyo Arif Alexander Bastian Aurellia Firstania Azzah Halwa Auni Bungsudi Eko Wardoyo Fahlul Rizki Fajri Habibi Ferly Ardhy Fitra Endi Fernanda, Fitra Endi Hardo Ardiyanto Jovana Renaldy Gumay Mesya Mesya Muharni, Sita Nur Aminudin Ockhy Jey Fhiter Wassalam Ockhy Jey Fhiter Wassalam Ratnasari Ratnasari Roy Kembar Habibi Salman Alfarisi Salimu Salman Alfarisi Salimu Sari, Felinda Sigit Andriyanto Soviatun Khovivah Susilo Setiawan Tahta Herdian Andika Tri Adi Nugroho Ulfa Isni Kurnia Zulkifli