Analisis Topik dan Sentimen pada Ulasan Pasien Menggunakan K-Means Clustering dan Lexicon-Based Scoring (Studi Kasus: Rumah Sakit XYZ)

Irsyad Nurhakim (Universitas Singaperbangsa Karawang)
Ade Andri Hendriadi (Universitas Singaperbangsa Karawang)
Ahmad Khusaeri (Universitas Singaperbangsa Karawang)

Jurnal Informatika dan Teknik Elektro Terapan
Vol. 14 No. 3 (2026)

Penelitian ini bertujuan memetakan persepsi kualitas layanan Rumah Sakit XYZ melalui analisis 2.324 ulasan pasien di Google Maps. Teks tidak terstruktur diolah menggunakan pendekatan text mining yang menggabungkan Lexicon-Based Scoring (kamus InSet) untuk analisis sentimen dan algoritma K-Means Clustering berbasis TF-IDF untuk pemodelan topik. Hasil analisis menunjukkan mayoritas ulasan bersentimen positif (83,35%) dan sisanya negatif (16,65%). Algoritma K-Means menghasilkan empat klaster topik optimal: Administrasi & BPJS (60,33%), Pelayanan Tenaga Medis (24,57%), Layanan Rawat Inap (10,54%), serta Fasilitas & Kenyamanan (4,56%). Integrasi kedua metode mengungkap bahwa Administrasi & BPJS adalah area paling kritis dengan ketidakpuasan tertinggi (26,2%). Sebagai implikasi manajerial, penelitian merekomendasikan integrasi SIMRS dengan Mobile JKN dan E-Prescription guna mereduksi waktu antrean dan mendukung peningkatan mutu layanan berbasis data.