Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JOURNAL OF MEDICAL RECORDS AND HELATH INFORMATION
Palupi Ekasari, Audhita
Unknown Affiliation
Humanities Education Health Professions Public Health Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
ANALISIS SENTIMEN KOMENTAR MASYARAKAT TERHADAP POSYANDU DI MEDIA SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE Natasari, Peni Sriwahyu; Mustofa, Ahmad; Palupi Ekasari, Audhita
JRMIK Vol 7 No 1 (2026): JOURNAL OF MEDICAL RECORDS AND HEALTH INFORMATION
Publisher : Malang: Sekolah Tinggi Ilmu Administrasi Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58535/jrmik.v7i1.95

Abstract

Posyandu merupakan lini strategis utama di masyarakat untuk memberikan layanan kesehatan ibu dan anak. Namun, pemanfaatan layanan posyandu oleh ibu masih belum maksimal yang tercermin dari angka prevalensi stunting yang cukup tinggi serta belum meratanya cakupan imunisasi. Kurang optimalnya pemanfaatan layanan posyandu dapat dipengaruhi oleh informasi negatif yang didapat dari sosial media sebagai tempat untuk menyampaikan opini dan pengalaman terhadap posyandu. Oleh karena itu, diperlukan penelitian untuk menganalisis sentimen masyarakat terhadap posyandu di media sosial menggunakan pendekatan pembelajaran mesin, sehingga didapatkan gambaran sentimen secara umum mengenai layanan posyandu. Penelitian ini memanfaatkan data media sosial dari Youtube dan X tentang layanan posyandu. Dataset yang didapatkan diproses melalui tahapan pra-pemrosesan dasar, anotasi manual oleh dua annotator independen, serta pengukuran kesepakatan menggunakan Cohen’s Kappa sebagai upaya mendapatkan dataset yang reliabel. TF-IDF kemudian diaplikasikan untuk mendapatkan vektor numerik. Selanjutkan dilakukan klasifikasi oleh model SVM, dengan Naïve Bayes, Logistic Regression, dan Random Forest sebagai model pembanding. Hasil penelitian menunjukkan pendekatan SVM menghasilkan performa tertinggi dengan akurasi 81%. Kelas sentimen positif dapat diklasifikasikan dengan baik oleh model, sementara kinerja pada sentimen negatif masih belum optimal. Hal ini diduga disebabkan oleh keterbatasan jumlah data sentimen negatif. Dari hasil pengujian, dapat disimpulkan bahwa analisis sentimen berbasis SVM mampu memberikan gambaran persepsi publik terhadap layanan posyandu secara efektif. Hal ini dapat dimanfaatkan sebagai acuan evaluasi layanan kesehatan masyarakat oleh pemangku kepentingan terkait.
Co-Authors Ahmad Mustofa Natasari, Peni Sriwahyu