PERBANDINGAN PERFORMA TF-IDF DAN BOW PADA ANALISIS SENTIMEN BPJS KESEHATAN MENGGUNAKAN XGBOOST

Made Donita Maharani (Universitas Pendidikan Ganesha)
I Gusti Ayu Agung Diatri Indradewi (Universitas Pendidikan Ganesha)
I Nyoman Saputra Wahyu Wijaya (Universitas Pendidikan Ganesha)

Jurnal Pendidikan Teknologi dan Kejuruan
Vol. 23 No. 1 (2026): Edisi Januari 2026

Penelitian ini bertujuan untuk membandingkan kinerja metode ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF) dan Bag of Words (BoW) menggunakan algoritma XGBoost dalam analisis sentimen masyarakat terhadap BPJS Kesehatan berdasarkan ulasan pada platform X. Tahapan penelitian meliputi preprocessing teks, ekstraksi fitur, penanganan ketidakseimbangan kelas, serta pengujian model menggunakan tujuh skenario dengan validasi 10-fold dan pembagian data 80:20. Hasil pengujian menunjukkan bahwa kombinasi TF-IDF dan XGBoost memperoleh rata-rata akurasi sebesar 78,63%, presisi 70,30%, recall 65,68%, dan F1-score 67,12%. Sementara itu, kombinasi BoW dan XGBoost menghasilkan akurasi 78,52%, presisi 68,53%, recall 70,23%, dan F1-score 69,14%. Hasil visualisasi word cloud menunjukkan bahwa sentimen negatif lebih dominan dengan kata-kata seperti “lama”, “antri”, dan “buruk”, sedangkan sentimen positif didominasi oleh kata “baik” dan “bagus”. Secara keseluruhan, TF-IDF lebih unggul dalam akurasi dan presisi, sedangkan BoW lebih efektif dalam meningkatkan recall dan F1-score pada analisis sentimen BPJS Kesehatan.