ANALISIS SENTIMEN DAN IDENTIFIKASI ISU KRITIS LAYANAN BPJS KESEHATAN MENGGUNAKAN INDOBERTWEET DAN LDA

Nur Subekti

doi:10.23960/jitet.v14i3.10768

Nur Subekti
Universitas Muhammadiyah Sukabumi

DOI: https://doi.org/10.23960/jitet.v14i3.10768

Keywords Media Sosial X, Latent Dirichlet Allocation, BPJS Kesehatan, IndoBERTweet, Analisis Sentimen

Abstract Views (Last 12 Months)

4 Abstract Views

3 Downloads

Abstract

Perkembangan media sosial menjadikan platform digital sebagai sumber data yang dapat digunakan untuk memahami persepsi masyarakat terhadap layanan publik. Media sosial X menyediakan berbagai opini pengguna dalam bentuk teks, namun karakteristik data yang tidak terstruktur, penggunaan bahasa informal, serta jumlah data yang besar menyebabkan analisis manual menjadi tidak efektif. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat dan mengidentifikasi isu kritis layanan BPJS Kesehatan berdasarkan opini pengguna pada media sosial X menggunakan IndoBERTweet dan Latent Dirichlet Allocation (LDA). Penelitian menggunakan kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM) dengan tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Sebanyak 5.336 cuitan dikumpulkan dari media sosial X, kemudian 1.000 data digunakan sebagai dataset anotasi manual untuk proses continued fine-tuning model IndoBERTweet. Hasil evaluasi menunjukkan model memperoleh accuracy sebesar 94% pada data pengujian. Hasil klasifikasi terhadap seluruh dataset menunjukkan sebanyak 2.673 cuitan memiliki sentimen positif dan 2.663 cuitan memiliki sentimen negatif. Selanjutnya, pemodelan LDA pada data negatif digunakan untuk mengidentifikasi isu kritis terkait layanan BPJS Kesehatan. Hasil penelitian menunjukkan bahwa kombinasi IndoBERTweet dan LDA mampu memberikan informasi mengenai kecenderungan sentimen sekaligus aspek layanan yang menjadi perhatian masyarakat.

Downloads

Download data is not yet available.

References

R. W. Harwenda, M. D. Angelo, I. Budi, A. B. Santoso, and P. K. Putra, “Sentiment Analysis on Government Public Policies: A Systematic Literature Review,” Dinasti Int. J. Educ. Manag. Soc. Sci., vol. 6, no. 5, pp. 4192–4211, 2025, doi: 10.38035/dijemss.v6i5.4699.

D. Darmawan et al., “BPJS Patients Satisfaction Analysis Towards Service Quality of Public Health Center in Surabaya,” Media Kesehat. Masy. Indones., vol. 21, no. 2, pp. 107–112, 2022, [Online]. Available: https://ejournal.undip.ac.id/index.php/mkmi

M. Y. Al Qahar, Y. Ruldeviyani, U. N. Mukharomah, M. A. Fidyawan, and R. Putra, “Factor analysis influencing Mobile JKN user experience using sentiment analysis,” IAES Int. J. Artif. Intell., vol. 13, no. 2, pp. 1782–1793, 2024, doi: 10.11591/ijai.v13.i2.pp1782-1793.

D. Ramachandran and P. R, “Analysis of Twitter Specific Preprocessing Technique for Tweets,” Procedia Comput. Sci., vol. 165, pp. 245–251, 2020, doi: 10.1016/j.procs.2020.01.083.

N. Dang, M. N. Moreno-García, and F. De la Prieta, “Sentiment Analysis Based on Deep Learning: A Comparative Study,” Electronics, vol. 9, no. 3, p. 483, 2020, doi: 10.3390/electronics9030483.

G. Alexander, M. Bahja, and G. F. Butt, “Automating Large-scale Health Care Service Feedback Analysis: Sentiment Analysis and Topic Modeling Study,” JMIR Med. Informatics, vol. 10, no. 4, pp. 1–15, 2022, doi: 10.2196/29385.

T. D. Dikiyanti, A. M. Rukmi, and M. I. Irawan, “Sentiment analysis and topic modeling of BPJS Kesehatan based on twitter crawling data using Indonesian Sentiment Lexicon and Latent Dirichlet Allocation algorithm,” J. Phys. Conf. Ser., vol. 1821, no. 1, 2021, doi: 10.1088/1742-6596/1821/1/012054.

S. Islam et al., “A comprehensive survey on applications of transformers for deep learning tasks,” Expert Syst. Appl., vol. 241, 2024, doi: 10.1016/j.eswa.2023.122666.

F. Koto, J. Han lau, and T. Baldwin, “I NDO BERT WEET : A Pretrained Language Model for Indonesian Twitter with Effective Domain-Specific Vocabulary Initialization,” pp. 10660–10668, 2021.

L. Afuan, N. Hidayat, H. Hamdani, H. Ismanto, B. C. Purnama, and D. I. Ramdhani, “Optimizing BERT Models with Fine-Tuning for Indonesian Twitter Sentiment Analysis,” J. Wirel. Mob. Networks, Ubiquitous Comput. Dependable Appl., vol. 16, no. 2, pp. 248–267, 2025, doi: 10.58346/JOWUA.2025.I2.016.

J. H. Jurafsky, D., & Martin, Speech and Language Processing (3rd Edition Draft, 2021). Stanford University, 2021. [Online]. Available: https://web.stanford.edu/~jurafsky/slp3/

H. M. Lee and Y. Sibaroni, “Comparison of IndoBERTweet and Support Vector Machine on Sentiment Analysis of Racing Circuit Construction in Indonesia,” J. Media Inform. Budidarma, vol. 7, no. 1, p. 99, 2023, doi: 10.30865/mib.v7i1.5380.

E. Rijcken, K. Zervanou, P. Mosteiro, F. Scheepers, M. Spruit, and U. Kaymak, “Topic specificity: A descriptive metric for algorithm selection and finding the right number of topics,” Nat. Lang. Process. J., vol. 8, 2024, doi: 10.1016/j.nlp.2024.100082.

C. Weisser et al., “Pseudo-document simulation for comparing LDA, GSDMM and GPM topic models on short and sparse text using Twitter data,” Comput. Stat., vol. 38, no. 2, pp. 647–674, 2023, doi: 10.1007/s00180-022-01246-z.

C. Schröer, F. Kruse, J. Marx, F. Kruse, and J. Marx, “ScienceDirect ScienceDirect A Systematic Literature Review A Systematic Literature Review on Applying Process Model on Applying CRISP-DM Process Model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.