Public Perception on BPJS Class Abolition Using Naïve Bayes and KNN (K-Nearest Neighbor)

Sri Wahyuni; Rafael Lois Widyakusuma

doi:10.32503/jtecs.v5i1.5462

Sri Wahyuni Universitas Multi Data Palembang
Rafael Lois Widyakusuma Universitas Multi Data Palembang

DOI: https://doi.org/10.32503/jtecs.v5i1.5462

Abstract

Penghapusan system kelas pelayanan BPJS secara seragam di seluruh Indonesia oleh Presiden Joko Widodo pada tanggal 8 mei 2024 dengan menggantikan layanan yang diklaim memiliki fungsi setara yaitu Sistem Kelas Inap Standar (KRIS) memicu banyak opini publik mengenai pro dan kontra dari keputusan perubahan sistem baru-baru ini, dan menjadi topik hangat. Hal ini memicu banyak opini publik mengenai pro dan kontra dari keputusan perubahan sistem baru-baru ini, dan menjadi topik hangat. Banyaknya persepsi yang muncul dari masyarakat membuat peneliti mengkaji data tersebut untuk analisis jumlah komentar positif, negatif, dan netral yang diberikan masyarakat dengan metode Naïve Bayes dan K-Nearest Neighbor (KNN). Data diambil dari tanggapan masyarakat di kolom komentar publik milik akun YouTube Liputan 6. Precision dari kedua kelas negatif nya mencapai tingkat sempurna yaitu 1,00 sedangkan kelas positifnya memiliki nilai 0,33 untuk Naïve Bayes dan 0.13 untuk KNN sehingga hasil analisis sentimen lebih condong ke arah negatif. Hasil ini memperkuat analisis sentimen terhadap persepsi masyarakat yaitu kontra terkait isu ini.

References

[1] M. N. Ampu, “Pengaruh Kualitas Pelayanan Kesehatan Terhadap Tingkat Kepuasan Pasien Pengguna BPJS di Desa Suanae (Puskesmas Eban) Tahun 2020,” Jurnal Ekonomi, Sosial \& Humaniora, vol. 02, no. 05, pp. 167–174, 2020.

[2] R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” Jurnal Informatika Universitas Pamulang, vol. 5, no. 4, p. 646, 2021, doi: 10.32493/informatika.v5i4.7622.

[3] M. Al Khadafi, Kurnia Paranitha Kartika, and Filda Febrinita, “Penerapan Metode Naïve Bayes Classifier Dan Lexicon Based Untuk Analisis Sentimen Cyberbullying Pada Bpjs,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 6, no. 2, pp. 725–733, 2022, doi: 10.36040/jati.v6i2.5633.

[4] P. M. Nirmala Dharmapatni and N. L. P. Merawati, “Penerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS Kesehatan,” Jurnal Bumigora Information Technology (BITe), vol. 2, no. 2, pp. 105–112, 2020, doi: 10.30812/bite.v2i2.904.

[5] Rayuwati, Husna Gemasih, and Irma Nizar, “IMPLEMENTASI AlGORITMA NAIVE BAYES UNTUK MEMPREDIKSI TINGKAT PENYEBARAN COVID,” Jural Riset Rumpun Ilmu Teknik, vol. 1, no. 1, pp. 38–46, 2022, doi: 10.55606/jurritek.v1i1.127.

[6] A. D. Cahyo, “METODE NAIVE BAYES UNTUK KLASIFIKASI MASA STUDI,” vol. 3, no. 4, 2023.

[7] Q. A. A’yuniyah and M. Reza, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi Jurusan Siswa Di Sma Negeri 15 Pekanbaru,” Indonesian Journal of Informatic Research and Software Engineering (IJIRSE), vol. 3, no. 1, pp. 39–45, 2023, doi: 10.57152/ijirse.v3i1.484.

[8] A. Putri et al., “Komparasi Algoritma K-NN, Naive Bayes dan SVM untuk Prediksi Kelulusan Mahasiswa Tingkat Akhir,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 1, pp. 20–26, 2023, doi: 10.57152/malcom.v3i1.610.

[9] R. P. I. Putra, M. Akbar, and R. Amalia, “Analisis Sentimen Masyarakat Terhadap Kinerja Persatuan Sepakbola Seluruh Indonesia Menggunakan Metode Backpropagation,” Journal of Information Technology Ampera, vol. 1, no. 2, pp. 106–118, 2020, doi: 10.51519/journalita.volume1.isssue2.year2020.page106-118.

[10] A. A. Achmad, K. Iin, and Y. Iska, “Analisis Klasifikasi Sentimen Berbasis Topik pada Ulasan Layanan Dana dan Sakuku dengan Convolutional Neural Network,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 15, no. 2, 2023, doi: 10.37424/informasi.v15i2.267.

[11] H. Irsyad and A. Taqwiym, “Sentimen Analisis Masyarakat Terhadap Rakyat Palestina dengan Klasifikasi Naive Bayes,” JTECS : Jurnal Sistem Telekomunikasi Elektronika Sistem Kontrol Power Sistem& Komputer, vol. 1, no. 2, pp. 167–176, 2021.

[12] D. D. Nada, R. M. Atok, and A. P. Data, “928X Print) D480,” vol. 11, no. 6, 2022.

[13] D. S. Indraloka and B. Santosa, “Penerapan Text Mining untuk Melakukan Clustering Data Tweet Shopee Indonesia,” Jurnal Sains dan Seni ITS, vol. 6, no. 2, pp. 6–11, 2017, doi: 10.12962/j23373520.v6i2.24419.

[14] B. A. Yuniarossy et al., “Analisis Sentimen Terhadap Isu Feminisme Di Twitter Menggunakan Model Convolutional Neural Network (Cnn),” vol. 5, no. 1, pp. 477–491, 2024.

Public Perception on BPJS Class Abolition Using Naïve Bayes and KNN (K-Nearest Neighbor)

Persepsi Masyarakat Mengenai Isu Penghapusan Kelas BPJS Menggunakan Naïve Bayes dan KNN (K-Nearest Neighbor)

Abstract

References

Most read articles by the same author(s)