Clustering Topik Pada Data Sentimen Bpjs Kesehatan Menggunakan Metode Latent Dirichlet Allocation (lda)
DOI:
https://doi.org/10.34818/eoe.v8i5.16224Abstract
Pemerintah Republik Indonesia dalam berupaya memberikan perlindungan kepada masyarakat melalui program jaminan sosial dengan menetapkan BPJS Kesehatan sebagai penyelenggara jaminan sosial di bidang kesehatan. Pelaksanaan program BPJS Kesehatan mendapatkan tanggapan positif, negatif, dan netral terkait kualitas layanan dan kebijakan nya oleh masyarakat melalui media sosial. Twitter sebagai salah satu media sosial untuk menyampaikan opini, kritik, dan saran pengguna nya terhadap BPJS Kesehatan. Banyaknya sentimen pengguna Twitter dapat menyulitkan dalam memahami topik pembahasan terkait kualitas layanan dan kebijakan dari BPJS Kesehatan. Penelitian ini bertujuan melakukan pengelompokan topik dari sentimen pengguna Twitter terkait BPJS Kesehatan dengan menggunakan metode Latent Dirichlet Allocation (LDA). Sehingga, dapat memudahkan dalam mengetahui topik pembicaraan yang sering dibahas oleh pengguna Twitter terkait BPJS Kesehatan. Pada tahap pengujian kinerja LDA diperoleh perplexity 6,0907 dengan nilai alpha sebesar 0.01, nilai beta sebesar 0.1, pada iterasi ke-170, dan jumlah topik 2 untuk sentimen positif. Kemudian, nilai perplexity 6,7364 dengan nilai alpha sebesar 0.001, nilai beta sebesar 0.1, pada iterasi ke-180, dan jumlah topik 2 untuk sentimen negatif. Sedangkan, untuk sentimen netral diperoleh nilai perplexity 6,2094 dengan nilai alpha sebesar 0.001, nilai beta sebesar 1, pada iterasi ke-160, dan jumlah topik 2. Kata kunci : topic modelling, latent dirichlet allocation, BPJS Kesehatan.References
[1] Humas, "BPJS Kesehatan," BPJS Kesehatan, 20 September 2018. [Online]. Available:
https://www.bpjs-kesehatan.go.id/bpjs/pages/detail/2013/4. [Accessed 13 November 2020].
[2] K. Wagner, "Twitter Jumps Most in a Year After Sales Top Estimates," Bloomberg, 2021.
[3] J. T. L. T.-O. R. J. M. E. B. R. A. A. W. F. PATRICIO ZAMBRANO, "Technical Mapping of
the Grooming Anatomy Using Machine Learning Paradigms: An Information Security
Approach," SPECIAL SECTION ON ARTIFICIAL INTELLIGENCE IN CYBERSECURITY,
vol. 7, pp. 142129 - 142146, 2019.
[4] M. H. Andreas M.Kaplan, "Users of the world, unite! The challenges and opportunities of
Social Media," Business Horizons, vol. 53, no. 1, pp. 59 - 68, 2010.
[5] J. S. Ronen Feldman, The Text Mining Handbook Advanced Approaches in Analyzing
Unstructured Data, Cambridge: Cambridge University Press, 2009.
[6] E. M. Younis, "Sentiment Analysis and Text Mining for Social Media Microblogs using Open
Source Tools: An Empirical Study," International Journal of Computer Applications (0975 –
8887), vol. 112, no. 5, pp. 44 - 48, 2015.
[7] I. A. Ph.D., "Text Mining dan Knowledge Discovery," Kolokium bersama komunitas
datamining Indonesia & soft-computing Indonesia, Vols. 1 - 9, 2006.
[8] ,. P. R. a. R. Deepu S, "A Framework for Text Analytics using the Bag of Words (BoW) Model
for Prediction," International Journal of Advanced Networking & Applications (IJANA) , pp.
320 - 323, 2016.
[9] J. N. a. P. Ircing, "Unsupervised Document Classification and Topic Detection," Springer
International Publishing AG, pp. 748 - 756, 2017.
[10] A. Y. N. a. M. I. J. David M. Blei, "Latent Dirichlet Allocation," Journal of Machine Learning
Research 3, pp. 993 - 1022, 2003.
[11] S. T. P. D. P. T. D. S. M. Yaswanth Kalepalli, "Effective Comparison of LDA with LSA for
Topic Modelling," Proceedings of the International Conference on Intelligent Computing and
Control Systems, pp. 1245 - 1250, 2020.
[12] N. I. a. K. F. Siti Qomariyah, "Topic Modeling Twitter Data Using Latent Dirichlet Allocation
and Latent Semantic Analysis," AIP Conference Proceedings, vol. 2194, no. 1, pp. 1 - 7, 2019.
