IDENTIFIKASI SENTIMEN PENGGUNA APLIKASI JKN BERBASIS TERM FREQUENCY-DOCUMENT FREQUENCY DAN SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.54314/jssr.v9i4.6895Keywords:
Sentiment Analysis, TF-IDF, Support Vector Machine, User Reviews, JKNAbstract
Abstract: User reviews of the Jaminan Kesehatan Nasional (JKN) mobile application on app distribution platforms continue to increase in line with the growing use of digital health services in Indonesia. These reviews contain sentiments related to the application, yet they have not been systematically analyzed to reveal user perception and satisfaction toward the JKN application. This study aims to analyze sentiment in JKN application reviews by employing the Term Frequency–Inverse Document Frequency (TF-IDF) method combined with the Support Vector Machine (SVM) algorithm. The review data processing stage began with preprocessing, comprising cleaning, case folding, tokenization, stopword removal, and stemming, followed by weighting using TF-IDF to transform textual data into numerical data in accordance with word occurrence frequency. The weighting results then served as input for the SVM algorithm to construct a separating hyperplane between classes, thereby classifying reviews into positive or negative categories. The research dataset consisted of 10,000 JKN application user reviews obtained through scraping from the Google Play Store platform. The testing results showed an accuracy of 99.83%, precision of 99.92%, recall of 99.83%, and an F1-score of 99.87%. These results demonstrate that the combination of TF-IDF and SVM can produce highly accurate sentiment classification of JKN application user reviews. User perception and satisfaction obtained from this sentiment identification serve as an evaluative basis for JKN application administrators to encourage improvements in the quality of digital health services in Indonesia.
Keyword: Sentiment Analysis, TF-IDF, JKN, Support Vector Machine, User Reviews.
Abstrak: Ulasan pengguna aplikasi Jaminan Kesehatan Nasional (JKN) pada platform distribusi aplikasi terus bertambah seiring meningkatnya penggunaan layanan kesehatan digital di Indonesia. Ulasan tersebut memuat sentimen terkait kualitas layanan, kemudahan penggunaan, dan kinerja fitur, namun belum dianalisis secara sistematis untuk mengetahui persepsi dan kepuasan pengguna terhadap aplikasi JKN. Sentimen dalam ulasan pengguna aplikasi JKN dianalisis menggunakan metode Term Frequency Inverse Document Frequency (TF-IDF) dan Support Vector Machine (SVM) sebagai tujuan dari penelitian ini. Tahapan untuk mengolah data ulasan pada penelitian ini merupakan preprocessing (cleaning, case folding, tokenization, stopword removal, dan stemming), disusul pembobotan memakai TF-IDF agar data teks bertransformasi menjadi data numerik selaras dengan frekuensi kemunculan kata. Hasil pembobotan menjadi input bagi algoritma SVM untuk membentuk hyperplane pemisah antar kelas, sehingga ulasan diklasifikasikan ke dalam kategori positif atau negatif. Dataset penelitian berjumlah 10.000 ulasan pengguna aplikasi JKN yang diperoleh melalui scraping dari platform Google Play Store. Hasil pengujian dari penelitian yaitu akurasi sebesar 99,83%, presisi 99,92%, recall 99,83%, dan F1-score 99,87%. Hasil dari pengujian tersebut membuktikan kombinasi TF-IDF dan SVM dapat menghasilkan klasifikasi sentimen ulasan pengguna aplikasi JKN dengan ketepatan tinggi. Gambaran mengenai persepsi dan kepuasan pengguna diperoleh dari hasil identifikasi sentimen ini untuk bahan evaluasi bagi pengelola aplikasi JKN guna mendorong peningkatan kualitas layanan kesehatan digital di Indonesia.
Kata kunci: Analisis Sentimen, TF-IDF, JKN, Support Vector Machine, Ulasan Pengguna.
Downloads
References
Adiansyah, A., & Wahyudin. (2023). Analisis Sentimen Pada Ulasan Aplikasi Home Credit Dengan Metode Svm Dan Knn. Jurnal Komputer Antartika, 1(4), 174–181.
Afdal, M., & Elita, L. R. (2022). Penerapan Text Mining Pada Aplikasi Tokopedia. 8(1), 78–87.
Anas, A., & Zebua, A. J. (2025). Clustering Nilai Mahasiswa Menggunakan Algoritma K-Means. 19(1), 7–14.
Ane, N., Sitepu, B., Sijabat, A. R., & Limbong, C. R. (2024). K-Means Clustering Of Student Mid-Term And Final Exam Score Data. 2(02), 92–98. Https://Doi.Org/10.58471/Science.V2i02
Azzahra Livia, M. E. (2025). Analisis Sentimen Terhadap Rsud Salatiga Menggunakan Abstrak. 6(1), 478–489.
Barokah, L., Lorenza, F. O., & Tyas, F. A. (2025). Jurnal Processor Penerapan Clustering. 20(1), 44–57.
Butsianto, S., & Muhammad, A. (2025). Analisis Sentimen Ulasan Aplikasi Jamsostek Dengan Svm , Random Forest , Dan Logistic Regression. 7, 700–706. Https://Doi.Org/10.37034/Infeb.V7i3.1266
Damanhuri, R., & Husein, V. A. (2024). Analisis Sentimen Pada Ulasan Aplikasi Access By Kai Berbahasa Indonesia Menggunakan Word-Embedding Dan Classical Machine Learning. 15(February). Https://Doi.Org/10.14710/Jmasif.15.2.62383
Dewi, M. S., & Hasugian, A. H. (2025). Mutiara Sintia Dewi, 2) Abdul Halim Hasugian. 10(2), 911–922.
Emarapenta, J., Sinulingga, B., Cesar, H., & Sitorus, K. (2024). Analisis Sentimen Masyarakat Terhadap Film Horor Indonesia Menggunakan Metode Svm Dan Tf-Idf. 14(April), 42–53.
Fahmi, R. U., Arifiyanti, A. A., Luhur, T., & Sugata, I. (2025). Analisis Sentimen Berbasis Aspek Pada Ulasan Aplikasi Midi Kriing Menggunakan Support Vector Machine ( Svm ). 9(3), 4831–4839.
Fatah, Z. F., & Maghfiroh, S. (2025). Secara Objektif Dan Efisien. Latar Belakang Penelitian Ini Adalah Masih Digunakannya Metode Manual Dalam Penentuan Siswa Berprestasi Yang Cenderung Subjektif Dan Memakan Waktu Lama. 4.
Fernando, M. F., Ahmad, D. A., Rachmanto, N. F., Shella, S., Wara, M., & Hindrayani, K. M. (2025). Analisis Sentimen Terhadap Ulasan Aplikasi Mobile Jkn Menggunakan Metode Machine Learning Logistic. 6(2), 213–225. Https://Doi.Org/10.20956/Ejsa.V6i2.44943
Helmayanti, S. A., Hamami, F., & Fa’rifah, R. Y. (2023). Jurnal Indonesia : Manajemen Informatika Dan Komunikasi Penerapan Algoritma Tf-Idf Dan Naïve Bayes Jurnal Indonesia : Manajemen Informatika Dan Komunikasi. 4(3), 1822–1834.
Hondro, R. K. (2023). Analisis Penerapan Text Mining Dan Tf-Idf Dalam Mengetahui Sentimen Masyarakat Terhadap Kinerja Polri. 3(01), 44–49.
Husain, P., & Syam, A. F. (2024). Analisis Sentimen Ulasan Pengguna Tiktok Pada Google Play Store Berbasis Tf-Idf Dan Support Vector Machine. 5(1), 91–102.
Husen, R. A., Astuti, R., Marlia, L., & Efrizoni, L. (2023). Sentiment Analysis Of Public Opinion On Twitter Toward Bsi Bank Using Machine Learning Algorithms Analisis Sentimen Opini Publik Pada Twitter Terhadap Bank Bsi Menggunakan Algoritma Machine Learning. 3(October), 211–218.
Hutabarat, A. W. V, Luh, N., Saraswati, S., & Suryadi, K. (2024). Analisis Sentimen Data Ulasan Pengguna Mypertamina Di Twitter Dengan Metode Machine Learning Dan Deep Learning. 13(1), 145–154.
Kamilatutsaniya, N., Daniati, E., & Muzaki, M. N. (2025). Pemodelan Klasifikasi Popularitas Produk Skincare Menggunakan Support Vector Machine ( Svm ) : Studi. 4(2), 86–95.
Mahendra, M. H., Murdiansyah, D. T., & Lhaksmana, K. M. (2023). Analisis Sentimen Tweet Covid-19 Menggunakan Metode K-Nearest Neighbors Dengan Ekstraksi Fitur Tf-Idf Dan Countvectorizer Dike : Jurnal Ilmu Multidisiplin. 1, 37–43.
Maheri, R., Salisah, F. N., & Muttakin, F. (2025). Analisis Sentimen Ulasan Aplikasi M-Paspor Menggunakan. 10(1), 448–458.
Maulana, M. T. F., Nugroho, B. I., Unggul, E., & Utami, S. (2025). Analisis Sentimen Ulasan Aplikasi Tiktok Di Google Playstore Menggunakan Algoritma Naive Bayes. 4(3), 6627–6635.
Mediana, P. P., & Yamasari, Y. (2024). Perbandingan Metode Svm Dengan Decision Tree Untuk Analisis Sentimen Ulasan Aplikasi Carousell. 06, 66–76.
Nawulansih, D. F., Santi, N. C., Aristia, I., Informatika, T., Nahdlatul, U., Sunan, U., Bojonegoro, G., Informasi, S., Nahdlatul, U., Sunan, U., & Bojonegoro, G. (2025). Analisis Sentimen Ulasan Aplikasi Dana Di Google Play Store : Penerapan Support Vector Machine Dan Synthetic Minority Over-Sampling Technique. 5(9), 2660–2671.
Ningsih, T. S., Hermanto, T. I., & Ma, I. (2024). Sentiment Analysis Of Mobile Provider Application Reviews Using Naive Bayes Algorithm And Support Vector Machine. 8(2), 824–835.
Nugraha, W., & Hardjianto, M. (2024). Optimasi Support Vector Machines ( Svm ) Menggunakan Particle Swarm Optimization ( Pso ) Pada Analisis Sentimen Ulasan Pengguna Layanan Bukalapak Di Twitter. 4(3), 1082–1100.
Nurian, A., Sari, B. N., Karawang, U. S., & Timur, T. (2023). Analisis Sentimen Ulasan Pengguna Aplikasi Google Play Menggunakan Naïve Bayes. 11(3), 829–835.
Palomino, M. A. (2022). Applied Sciences Evaluating The Effectiveness Of Text Pre-Processing In Sentiment Analysis.
Pane, S. F., Informatika, J. T., Indonesia, P. P., Ramdan, J., Informatika, J. T., & Indonesia, P. P. (2022). Pemodelan Machine Learning : Analisis Sentimen Masyarakat Terhadap Kebijakan Ppkm Menggunakan Data Twitter. 05(01), 12–20.
Pertiwi, A. A., & Utomo, A. N. (2023). Implementasi Metode Support Vector Machine(Svm) Pada Citra Fundus Retina Mata Untuk Deteksi Penyakit Glaukoma. 12(1), 19–27.
Purnomo, G., Susanto, T., Komputer, F. I., & Yogyakarta, U. A. (2024). Implementasi Algoritma Support Vector Machine ( Svm ) Pada Analisis Sentimen Opini Publik Tentang Larangan Penggunaan Obat Sirup Bagi Kesehatan Ginjal Implementation Of The Support Vector Machine ( Svm ) Algorithm On Sentiment Analysis Of Public Opinion On The Prohibition Of The Use Of Syrupy Drugs For Kidney Health. 13, 2332–2347.
Qorib, M., Oladunni, T., Denis, M., Ososanya, E., & Cotae, P. (2023). Covid-19 Vaccine Hesitancy : Text Mining , Sentiment Analysis And Machine Learning On Covid-19 Vaccination Twitter Dataset. Expert Systems With Applications, 212(September 2022), 118715. Https://Doi.Org/10.1016/J.Eswa.2022.118715
Rhomaningtias, L., Khairunisa, A., Shella, S., Wara, M., & Hindrayani, K. M. (2025). Analisis Sentimen Ulasan Aplikasi Smile Indonesia Menggunakan Metode Naive Bayes Dan Support Vector Machine ( Svm ). 16(C), 79–91.
Sarassati, D. S., Yulianto, S., Prasetyo, J., & Rob, B. (2025). Analisis Sentimen Terhadap Dampak Banjir Rob Dengan Menggunakan Metode Support Vector Machine. Jurnal Penerapan Teknologi Informasi Dan Komunikasi, 04, 233–244. Https://Doi.Org/10.24246/Itexplore.V4i2.2025.Pp233-244
Setiadi, B., Purwanto, E., & Permatasari, H. (2024). Optimisasi Klasifikasi Sentimen Pada Review Hotel Bahasa Inggris Dengan Model Roberta Twitter. 7(2), 70–79.
Setiawan, R. F., Rozikin, C., Solehudin, A., Studi, P., Informatika, T., Ilmu, F., Universitas, K., & Timur, T. (2025). Analisis Sentimen Isu Ancaman Siber Menggunakan Algoritma Multi-Layer Perceptron. Jurnal Informatika Dan Teknik Elektro Terapan, 13(3), 1296–1302.
Sugihartono, T., Rian, R., Putra, C., Informasi, F. T., Informatika, T., Machine, S. V., Mining, T., & Pengguna, U. (2024). Penerapan Metode Support Vector Machine Dalam Classifikasi Ulasan Pengguna Aplikasi Mobile Jkn. 7, 144–153.
Taha, K., Yoo, P. D., Yeun, C., Homouz, D., & Taha, A. (2024). A Comprehensive Survey Of Text Classification Techniques And Their Research Applications : Observational And Experimental Insights. Computer Science Review, 54(August), 100664. Https://Doi.Org/10.1016/J.Cosrev.2024.100664
Ulya, S., Ridwan, A., Wahyudin, W. C., & Hana, F. M. (2022). Text Mining Sentimen A Nalisis P Engguna Aplikasi Marketplace Tokopedia Berdasar Rating An Komentar. 33–40.
Wardhani, D., Astuti, R., & Saputra, D. D. (2024). Optimasi Feature Selection Text Mining : Stemming Dan Stopword Untuk Sentimen Analisis Aplikasi Satusehat. 4, 7537–7548.
Wibowo, A. P., & Hidayat, N. (2024). Eksplorasi Linguistik Komputasional Dalam Analisis Bahasa Alami Untuk Mengungkap Evolusi Dialek Digital Di Era Media Sosial Global. 1.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Alicia Mulya Maharani, Musli Yanto, Billy Hendrik (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
