<![CDATA[Abstract: BPJS Kesehatan is a national health insurance program that plays a vital role in providing public health services in Indonesia; however, its implementation has generated diverse public perceptions reflected on social media. This study analyzes public sentiment toward the BPJS Kesehatan program based on Instagram comments using a text mining and machine learning approach. The research methodology includes Indonesian text preprocessing, feature weighting using Term Frequency–Inverse Document Frequency (TF–IDF), and three-class sentiment classification (positive, negative, and neutral) using Multinomial Naïve Bayes and Support Vector Machine (SVM) algorithms. The dataset consists of 1,461 Instagram comments, which are divided into training and testing data with an 80:20 ratio. The experimental results show that Multinomial Naïve Bayes achieves an accuracy of 80.55%, while SVM yields a higher accuracy of 86.35%. These results indicate that SVM performs better in separating sentiment classes within short and imbalanced Instagram comment data. This study contributes to Indonesian-language sentiment analysis research and provides insights for evaluating public health services through social media data. Keyword: sentiment analysis; BPJS Kesehatan; Instagram; Naïve Bayes; Support Vector Machine. Abstrak: BPJS Kesehatan merupakan program strategis nasional yang berperan penting dalam menjamin akses layanan kesehatan bagi masyarakat Indonesia, namun implementasinya masih memunculkan beragam persepsi publik yang tercermin pada media sosial. Penelitian ini mengkaji analisis sentimen masyarakat terhadap program BPJS Kesehatan berdasarkan komentar pada platform Instagram menggunakan pendekatan text mining dan pembelajaran mesin. Metode penelitian meliputi pra-pemrosesan teks berbahasa Indonesia, pembobotan fitur menggunakan Term Frequency–Inverse Document Frequency (TF–IDF), serta klasifikasi sentimen tiga kelas (positif, negatif, dan netral) menggunakan algoritma Multinomial Naïve Bayes dan Support Vector Machine (SVM). Dataset yang digunakan terdiri dari 1.461 komentar Instagram yang dibagi menjadi data latih dan data uji dengan rasio 80:20. Hasil pengujian menunjukkan bahwa Multinomial Naïve Bayes menghasilkan akurasi sebesar 80,55%, sedangkan SVM mencapai akurasi yang lebih tinggi yaitu 86,35%. Temuan ini menunjukkan bahwa SVM memiliki kemampuan yang lebih baik dalam memisahkan kelas sentimen pada data komentar Instagram yang bersifat pendek dan tidak seimbang. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan analisis sentimen berbahasa Indonesia serta menjadi masukan awal bagi evaluasi layanan publik berbasis media sosial. Kata kunci: analisis sentimen; BPJS Kesehatan; Instagram; Naïve Bayes; Support Vector Machine.]]>
