Klasifikasi Sentimen untuk Analisis Kepuasan Pelayanan Puskesmas Berbasis Arsitektur LSTM

I Gede Bintang Arya Budaya; Luh Putu Safitri Pratiwi; Dedy Panji Agustino

doi:10.30591/smartcomp.v12i4.5361

Klasifikasi Sentimen untuk Analisis Kepuasan Pelayanan Puskesmas Berbasis Arsitektur LSTM

I Gede Bintang Arya Budaya, Luh Putu Safitri Pratiwi, Dedy Panji Agustino

Abstract

Transformasi layanan sistem kesehatan di Indonesia menjadi fokus utama pemerintah melalui program nasional satu data kesehatan Indonesia. Dalam program ini, digitalisasi teknologi kesehatan menjadi salah satu pilar transformasi yang penting. Puskesmas, sebagai pusat layanan kesehatan level pertama, menjadi salah satu fokus dalam transformasi ini. Kepuasan pelayanan di Puskesmas menjadi faktor penting dalam mencapai tujuan tersebut. Penelitian ini bertujuan untuk menganalisis pemanfaatan teknik klasifikasi sentimen dalam survei kepuasan pelayanan Puskesmas Dalam penelitian ini, diterapkan pendekatan deep learning dengan menggunakan arsitektur Long-Short Term Memory (LSTM) untuk klasifikasi sentimen. Hasil penelitian menunjukkan bahwa model LSTM efektif digunakan untuk mengklasifikasikan sentimen. Akurasi keseluruhan model mencapai 76.26%, menunjukkan kemampuan model dalam melakukan prediksi dengan baik. Namun, terdapat perbedaan performa antara kelas sentimen. Sentimen netral memiliki performa yang sedikit lebih rendah dibandingkan dengan sentimen positif dan negatif. Hal ini dapat disebabkan oleh ketidakseimbangan jumlah sampel, kompleksitas sentimen netral, variabilitas dalam teks, dan perbedaan subyektivitas dalam penilaian sentimen. Penelitian ini menunjukkan potensi penerapan deep learning, khususnya model LSTM, dalam analisis sentimen kepuasan pelayanan Puskesmas. Hasil penelitian ini dapat menjadi dasar untuk integrasi deep learning dalam pengembangan sistem digital kesehatan nasional.

Full Text:

References

F. E. B. Setyawan, S. Supriyanto, E. Ernawaty, and R. Lestari, “Understanding patient satisfaction and loyalty in public and private primary health care,” J Public Health Res, vol. 9, no. 2, p. jphr-2020, 2020.

S. Dash, S. K. Shakyawar, M. Sharma, and S. Kaushik, “Big data in healthcare: management, analysis and future prospects,” J Big Data, vol. 6, no. 1, pp. 1–25, 2019.

L. Rajabion, A. A. Shaltooki, M. Taghikhah, A. Ghasemi, and A. Badfar, “Healthcare big data processing mechanisms: The role of cloud computing,” Int J Inf Manage, vol. 49, pp. 271–289, 2019.

Z. Lv and L. Qiao, “Analysis of healthcare big data,” Future Generation Computer Systems, vol. 109, pp. 103–110, 2020.

M. Z. Yumarlin, J. E. Bororing, and S. Rahayu, “Analisis Sentimen Terhadap Layanan Tokopedia Berdasarkan Twitter dengan Metode Klasifikasi Support Vector Machine,” Smart Comp: Jurnalnya Orang Pintar Komputer, vol. 12, no. 1, pp. 153–163, 2023.

S. K. Banbhrani, B. Xu, H. Lin, and D. K. Sajnani, “Spider Taylor-ChOA: Optimized Deep Learning Based Sentiment Classification for Review Rating Prediction,” Applied Sciences, vol. 12, no. 7, p. 3211, 2022.

G. Indrawan, H. Setiawan, and A. Gunadi, “Multi-class SVM Classification Comparison for Health Service Satisfaction Survey Data in Bahasa,” HighTech and Innovation Journal, vol. 3, no. 4, pp. 425–442, 2022.

M. H. Setiawan, I. G. A. Gunadi, and G. Indrawan, “Klasifikasi Pelayanan Kesehatan Berdasarkan Data Sentimen Pelayanan Kesehatan menggunakan Multiclass Support Vector Machine,” Jurnal Sistem dan Informatika (JSI), vol. 17, no. 1, pp. 47–54, 2022.

G. S. N. Murthy, S. R. Allu, B. Andhavarapu, M. Bagadi, and M. Belusonti, “Text based sentiment analysis using LSTM,” Int. J. Eng. Res. Tech. Res, vol. 9, no. 05, 2020.

X. Huang et al., “Lstm based sentiment analysis for cryptocurrency prediction,” in Database Systems for Advanced Applications: 26th International Conference, DASFAA 2021, Taipei, Taiwan, April 11–14, 2021, Proceedings, Part III 26, Springer, 2021, pp. 617–621.

C. for P. H. I. F. K. U. Udayana, “Laporan Survei Kepuasan Masyarakat terhadap Puskesmas di Denpasar dan Gianyar,” 2021.

U. Hasanah, T. Astuti, R. Wahyudi, Z. Rifai, and R. A. Pambudi, “An experimental study of text preprocessing techniques for automatic short answer grading in Indonesian,” in 2018 3rd International Conference on Information Technology, Information System and Electrical Engineering (ICITISEE), IEEE, 2018, pp. 230–234.

M. A. Rosid, A. S. Fitrani, I. R. I. Astutik, N. I. Mulloh, and H. A. Gozali, “Improving text preprocessing for student complaint document classification using sastrawi,” in IOP Conference Series: Materials Science and Engineering, IOP Publishing, 2020, p. 012017.

B. Siswanto and Y. Dani, “Sentiment Analysis about Oximeter as Covid-19 Detection Tools on Twitter Using Sastrawi Library,” in 2021 8th International Conference on Information Technology, Computer and Electrical Engineering (ICITACEE), IEEE, 2021, pp. 161–164.

DOI: https://doi.org/10.30591/smartcomp.v12i4.5361