<![CDATA[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.]]>
Copyrights © 2026
