ANALISIS SENTIMEN ULASAN APLIKASI MOBILE JKN MENGGUNAKAN NAÏVE BAYES, KNN, DAN SVM BERBASIS SMOTE

Analisis sentimen pada ulasan pengguna Mobile JKN berperan penting dalam mengidentifikasi tingkat kepuasan dan hambatan pengguna terhadap layanan digital BPJS Kesehatan. Penelitian ini bertujuan untuk mengevaluasi kinerja tiga algoritma klasifikasi Naïve Bayes, KNN, dan SVM yang dioptimalkan menggunakan SMOTE sebagai upaya menangani ketidakseimbangan data dalam proses analisis sentimen. Penelitian ini menggunakan 19.186 data ulasan yang telah melalui tahapan preprocessing, pembobotan TF-IDF dan Split data yang dibagi mengunakan skema 80:20 yaitu 15.348 data latih dan 3.838 data uji, kemudian diuji sebelum dan sesudah penerapan SMOTE untuk menilai pengaruh penyeimbangan data terhadap kinerja model. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan sensitivitas model terhadap kelas minoritas tanpa menurunkan akurasi secara signifikan. Model Naïve Bayes memiliki akurasi 93,56 % sebelum SMOTE dan 92,05 % sesudahnya, KNN meningkat dari 71,20 % menjadi 87,96 %, sedangkan SVM mempertahankan performa tertinggi dengan akurasi 93 % dan F1-score 0,91–0,95. Nilai AUC tertinggi diperoleh oleh SVM (0,98) diikuti Naïve Bayes (0,97) dan KNN (0,93). Hasil analisis menunjukkan bahwa mayoritas ulasan pengguna bersifat positif, mencerminkan kepuasan yang tinggi terhadap layanan Mobile JKN, sementara ulasan negatif umumnya berkaitan dengan kendala teknis. Secara keseluruhan, SVM berbasis SMOTE dinyatakan sebagai model paling efektif dalam analisis sentimen dan dapat menjadi dasar pengembangan evaluasi kualitas layanan digital BPJS Kesehatan.