Penerapan Algoritma Support Vector Machine Dalam Sentimen Analisis Terkait Kenaikan Tarif BPJS Kesehatan

Putu Mega Nirmala Dharmapatni; Ni Luh Putu Merawati

doi:10.30812/bite.v2i2.904

Putu Mega Nirmala Dharmapatni Universitas Bumigora
Ni Luh Putu Merawati Universitas Bumigora

DOI: https://doi.org/10.30812/bite.v2i2.904

Keywords: BPJS Kesehatan, Klasifikasi, Support Vector Machine, Sentimen Analisis

Abstract

Jejaring sosial adalah alat komunikasi yang sangat populer di kalangan masyarakat salah satunya adalah jejaring sosial twitter. Jumlah tweets berkembang pesat karena kesederhanaan dan kemudahan penggunaannya menjadi alasan twitter lebih populer di kalangan masyarakat Indonesia dalam berkomunikasi. Twitter banyak digunakan sebagai media promosi produk, iklan, kampanye politik maupun sebagai sarana dalam menyampaikan pendapat terkait kritik, saran, isu-isu serta opini-opini yang sifatnya publik seperti pandangan netizen terhadap kebijakan baru pemerintah dan lain sebagainya. Salah satu kebijakan pemerintah yang sedang ramai diperbincangan oleh netizen di jejaring sosial twitter adalah kenaikan tarif BPJS kesehatan. BPJS Kesehatan (Badan Jaminan Kesehatan dan Sosial) adalah Badan Usaha Milik Negara, besarnya jumlah pengguna BPJS menyebabkan BPJS harus menyediakan layanan umpan balik kepada pengguna untuk mengetahui respon pengguna terhadap layanan BPJS. Analisis sentimen atau disebut juga dengan penambangan pendapat adalah suatu bidang dalam menganalisis pendapat seseorang ataupun sekelompok orang mengenai suatu permasalahan yang tersedia untuk melihat respon masyarakat terhadap permasalahan tersebut. Metode SVM merupakan salah satu metode yang baik untuk digunakan dalam pengkalsifikasian data yang berjumlah banyak, terutama terkait dengan sentimen analisis. Pada penelitian ini akan dilakukan analisis sentimen masyarakat melalui media twitter terhadap kenaikan tarif BPJS Kesehatan menggunakan metode SVM untuk melihat respon masyarakat terhadap kebijakan tersebut.

References

[1] K. M. Carley, M. Malik, M. Kowalchuck, J. Pfeffer, and P. Landwehr, “Twitter Usage in Indonesia,” SSRN Electron. J., no. August 2016, 2018,
[2] K. M. Carley, M. Malik, P. M. Landwehr, J. Pfeffer, and M. Kowalchuck, “Crowd sourcing disaster management: The complex nature of Twitter usage in Padang Indonesia,” Saf. Sci., vol. 90, pp. 48–61, 2016
[3] A. Pak and P. Paroubek, “Twitter as a corpus for sentiment analysis and opinion mining,” Proc. 7th Int. Conf. Lang. Resour. Eval. Lr. 2010, pp. 1320–1326, 2010
[4] A. Z. Amrullah, A. S. Anas, M. Adrian, J. Hidayat, F. Teknik, and U. Bumigora, “Analisis Sentimen Movie Review Menggunakan Naive Bayes Classifier Dengan Seleksi Fitur Chi Square,” J. BITe J. Bumigora Inf. Technol., vol. 2, no. 1, pp. 40–44, 2020
[5] U. Rofiqoh, R. S. Perdana, and M. A. Fauzi, “Analisis Sentimen Tingkat Kepuasan Pengguna Penyedia Layanan Telekomunikasi Seluler Indonesia Pada Twitter Dengan Metode Support Vector Machine dan Lexion Based Feature,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 12, pp. 1725–1732, 2017, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/628.
[6] A. D. Hartanto and N. K. Fitriyani, “Analisis Sentimen Terhadap Tokoh Publik Menggunakan Support Vector Machine,” MEANS (Media Inf. Anal. dan Sist., vol. 5, no. 1, pp. 8–12, 2020, [Online]. Available: http://ejournal.ust.ac.id/index.php/Jurnal_Means/.
[7] Y. X. Chu, X. G. Liu, and C. H. Gao, “Application of Support Vector Machine in Bioinformatics,” Proc. 2011 Chinese Control Decis. Conf. CCDC 2011, pp. 842–847, 2011
[8] R. Valentini, P. Siwabessy, A. Herdiani, and A. Romadhony, “Analisis Sentimen Masyarakat Terhadap Hasil Kerja Petahana Dalam Kaitan Dengan Pemilihan Presiden tahun 2019 Pada Sosial Media Twitter Menggunakan Support Vector Machine ( SVM ),” vol. 6, no. 2, pp. 8625–8636, 2019.
[9] M. S. Utomo, “Implementasi Stemmer Tala pada Aplikasi Berbasis Web,” J. Teknol. Inf. Din., vol. 18, no. 1, pp. 41–45, 2013.
[10] Q. Han, J. Guo, and H. Schütze, “CodeX: Combining an SVM classifier and character N-gram language models for sentiment analysis on twitter text,” *SEM 2013 - 2nd Jt. Conf. Lex. Comput. Semant., vol. 2, no. SemEval, pp. 520–524, 2013.