PERBANDINGAN KINERJA SUPPORT VECTOR MACHINE ORIGINAL DAN SUPPORT VECTOR MACHINE BERBASIS SMOTE UNTUK ANALISIS SENTIMEN APLIKASI JKN MOBILE

Abstract

Analisis sentimen terhadap ulasan pengguna aplikasi JKN Mobile digunakan untuk mengevaluasi kualitas layanan digital BPJS Kesehatan. Penelitian ini membandingkan kinerja algoritma Support Vector Machine (SVM) pada data asli dan SVM berbasis Synthetic Minority Oversampling Technique (SMOTE) dalam mengatasi permasalahan ketidakseimbangan kelas. Dataset diperoleh melalui proses scraping ulasan pengguna aplikasi JKN Mobile. Tahapan pra-pemrosesan meliputi case folding, tokenizing, stopword removal, dan stemming. Representasi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF). Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan kinerja klasifikasi, khususnya pada kelas minoritas, dibandingkan dengan SVM tanpa penyeimbangan data. Dengan demikian, SMOTE terbukti efektif untuk meningkatkan performa analisis sentimen pada data tidak seimbang.