PENGEMBANGAN SISTEM KLASIFIKASI SENTIMEN ULASAN APLIKASI MOBILE JKN MENGGUNAKAN NAIVE BAYES DAN ADABOOST

Aplikasi Mobile JKN menyediakan layanan kesehatan digital bagi masyarakat. Ulasan pengguna di Google Play Store menjadi sumber informasi untuk mengevaluasi kualitas aplikasi, namun banyaknya ulasan yang tidak terstruktur dan bersifat subjektif membuat analisis secara manual menjadi kurang efektif. Penelitian ini bertujuan mengembangkan sistem klasifikasi sentimen ulasan aplikasi Mobile JKN menggunakan algoritma Naive Bayes dengan optimasi AdaBoost. Pelabelan sentimen dilakukan secara otomatis menggunakan VADER Lexicon, sedangkan representasi fitur teks menggunakan Bidirectional Encoder Representations from Transformers (BERT). Tahapan penelitian meliputi preprocessing, pelabelan sentimen, ekstraksi fitur, pelatihan model, serta evaluasi menggunakan Confusion Matrix dengan metrik accuracy, precision, recall, F1-score, dan misclassification error. Hasil penelitian menunjukkan bahwa model Naive Bayes dengan optimasi AdaBoost memperoleh accuracy sebesar 77,26%, precision sebesar 77,63%, recall sebesar 77,26%, F1-score sebesar 77,31%, dan misclassification error sebesar 22,74%, lebih baik dibandingkan Naive Bayes tanpa optimasi yang memperoleh accuracy sebesar 63,20%, precision sebesar 68,53%, recall sebesar 63,20%, F1-score sebesar 64,28%, dan misclassification error sebesar 36,80%. Hasil tersebut menunjukkan bahwa penerapan AdaBoost mampu meningkatkan kinerja klasifikasi sentimen sehingga dapat memberikan informasi yang lebih akurat sebagai dasar evaluasi dan pengembangan aplikasi Mobile JKN.