Abstract— Di studi ini melihat informasi produk BPJS dalam peran masyarakat yang merupakan pengguna utama prosuk tersebut. Analisis sentimen dilakukan dengan memanfaatkan media sosial sebagai dasar utama pengumpulan data. Dalam penelitian ini, tahapan yang dilakukan adalah pengumpulan data dan dilanjutkan ke Post Tagging di komunitas twitter. Selanjutnya data tersebut diklasifikasikan lagi menggunakan model Naïve Bayes untuk mendapatkan hasil yang optimal

1. Review on “Naive Bayes Classifier on Twitter
Sentiment Analysis BPJS of HEALTH ”
Sepyan Purnama Kristanto, Junaedi Adi Prasetyo
Department of Informatics Engineering
Politeknik Negeri Banyuwangi
Banyuwangi, Indonesia
sepyan@poliwangi.ac.id, junaedi.prasetyo@poliwangi.ac.id
Edwin Pramana
Department of Information Technology
Sekolah Tinggi Teknik Surabaya
Surabaya, Indonesia
epramana@stts.edu
Abstract— Di studi ini melihat informasi produk BPJS dalam
peran masyarakat yang merupakan pengguna utama prosuk
tersebut. Analisis sentimen dilakukan dengan memanfaatkan
media sosial sebagai dasar utama pengumpulan data. Dalam
penelitian ini, tahapan yang dilakukan adalah pengumpulan data
dan dilanjutkan ke Post Tagging di komunitas twitter.
Selanjutnya data tersebut diklasifikasikan lagi menggunakan
model Naïve Bayes untuk mendapatkan hasil yang optimal
Keywords— twitter sentiment analyst, naïve Bayes, bpjs of
health
I. PROBLEM YANG DIBAHAS
Kesehatan adalah salah satu poin utama layanan dan
keberhasilan pemerintah dalam memberikan kebijakannya.
Distribusi pelayanan kesehatan membawa dampak positif pada
pembangunan dan ekonomi masyarakat dari semua tingkatan.
Masalah yang dibahas disini adalah opini masyarakat terhadap
BPJS yang merupakan pelayanan kesahatan dari pemerintah.
Apa kehadiran BPJS berdampak positif atau negatif?
Pelayanan BPJS apa saja yang dirasakan oleh masyarakat?
II. KESIMPULAN PAPER
Dari data yang telah diolah, kita dapat menyimpulkan
bahwa mayoritas masyarakat menanggapi secara negatif
terkait dengan layanan nyata BPJS kesehatan. Selanjutnya,
kami mendapatkan 65% kemungkinan pengguna dalam
menggunakan pelayanan kesehatannya secara intensif.
Dalam beberapa penelitian analisis sentimen digunakan
untuk berbagai macam hal. Penelitian ini bertujuan untuk
menganalisis sentimen publik terhadap pelayanan dan manfaat
BPJS. Analisis dokumen atau data diperoleh dari media sosial
Twitter dalam aplikasi Rapidminer dengan mencoba
menggabungkan analisis model SVM dengan Naïve Bayes
untuk mendapatkan hasil yang maksimal.
III. CARA MENARIK KESIMPULAN
Dalam penelitian ini, data yang digunakan adalah
kumpulan Tweet pengguna dari akun resmi BPJS
Kumpulan tweet dari Februari hingga April 2019, aplikasi
Rapidminer berfokus pada pencarian ada di sekitar kata iuran,
layanan, informasi,obat-obatan, dan fasilitas kesehatan.

2. A. Text Preprocessing
Setelah pengumpulan data dari tweet yang terdiri dari
banyak kata tidak terstruktur akan dilanjutkan ke tahap
preprocessing,yaitu :
 Mengubah menjadi huruf kecil
 Menghapus URL
 Hapus hastag
Setelah melalui proses preprocessing, selanjutnya
menghasilkan dataset yang siap untuk dilakukan klasifikasi
lebih lanjut dengan metode pengklasifikasi Naive Bayes.
Pemberian label pada kumpulan data yang ada dilakukan
secara manuali. Label penentuan berfungsi memberikan
panduan tentang klasifikasi dokumen atau ke grup mengikuti
label yang sesuaisesuaicontoh.
B. Pengujian Klasifikasi Naïve Bayes
Data yang telah diperoleh dari proses penambangan
padamedia sosial Twitter beberapa 3728 data tweet, dan
kemudiandokumen diberi label dengan Naïve Bayes
Classifier. Dari data yang telah diberi label, kemudian
dilakukan pengujian tingkat akurasi metode Naïve Bayes pada
BPJS kesehatan.
Hasil yang diperoleh dari pengujian 100 data acak yang
dimilikitelah di klasifikasi polaritas secara manual dengan
menggunakan 1400 data latih mendapatkan akurasi 90%.
C. Distribusi Hasil Tweet
Ini merupakan grafik penyebaran pendapat masyarakat
tentang BPJS kesehatan di media sosial. Dari 3728 tweet yang
ada telah diberi label berdasarkan jenis kelas tweet dan
menghilangkan respons netral. Respon negatif terlihat lebih
signifikan dari pada tanggapan positif dari pengguna BPJS
kesehatan.
D. Uji Kepuasan Data
Perhitungan kemungkinan pengguna menggunakan BPJS
menghasilkan nilai 65% dari 3728 tweet pengguna
IV. FUTURE WORKS
Penelitian ini hanya memakan waktu satu periode,dengan
fase waktu 3 bulan. Dalam studi selanjutnya rentang dan
frekuensinya bisa ditambah dengan mempertimbangkan setiap
daerah memiliki apengalaman dan respon yang berbeda
terhadap pelayanan BPJS
REFERENCE
[1] Kristanto, S. P., Prasetyo, J. A., & Pramana, E. (2019). Naive Bayes
Classifier on Twitter Sentiment Analysis BPJS of HEALTH. 2019 2nd
International Conference of Computer and Informatics Engineering
(IC2IE). doi:10.1109/ic2ie47452.2019.8940900.