IMPLEMENTASI SUPPORT VECTOR MACHINE (SVM) DAN GUIDED LATENT DIRICHLET ALLOCATION (GLDA) UNTUK ANALISIS GAP PADA ULASAN APLIKASI MOBILE JKN

IMPLEMENTATION OF SUPPORT VECTOR MACHINE (SVM) AND GUIDED LATENT DIRICHLET ALLOCATION (GLDA)  FOR GAP ANALYSIS ON MOBILE JKN APPLICATION REVIEWS

Penelitian ini bertujuan untuk menganalisis persepsi pengguna terhadap aplikasi Mobile JKN yang dikembangkan oleh BPJS Kesehatan dengan menggunakan pendekatan analisis sentimen, pemodelan topik, dan analisis gap kualitas layanan (Servqual). Analisis sentimen dilakukan menggunakan algoritma Support Vector Machine (SVM) dengan dua jenis kernel, yaitu linear dan RBF. Hasil klasifikasi dengan pembagian data 80:20 menunjukkan bahwa mayoritas ulasan pengguna mengandung sentimen negatif, baik pada kernel linear (2.784 ulasan) maupun kernel RBF (2.847 ulasan), diikuti oleh sentimen positif dan netral.

Selanjutnya, pemodelan topik menggunakan metode Guided Latent Dirichlet Allocation (GLDA) berhasil mengelompokkan ulasan ke dalam lima topik utama yang sesuai dengan dimensi Servqual, yaitu tangibles, assurance, empathy, reliability, dan responsiveness. Topik empathy menjadi yang paling dominan, sementara responsiveness merupakan yang paling sedikit. Model GLDA yang dihasilkan memiliki nilai coherence sebesar 0,64 dan UMass sebesar -1,99, yang menunjukkan bahwa model cukup koheren dan dapat diinterpretasikan.

Terakhir, hasil analisis gap antara harapan dan persepsi menunjukkan bahwa dimensi assurance memiliki gap terkecil (-0,06), sedangkan dimensi reliability memiliki gap terbesar (-0,74). Secara keseluruhan, nilai gap Servqual sebesar 0,11 menunjukkan masih terdapat kesenjangan antara harapan dan kenyataan yang dirasakan pengguna, sehingga diperlukan perbaikan pada aspek-aspek layanan tertentu.

Kata kunci: Mobile JKN, SVM, GLDA, Analisis Gap, Ulasan Pengguna

This study aims to analyze user perceptions of the Mobile JKN application developed by BPJS Kesehatan through sentiment analysis, topic modeling, and service quality gap analysis (Servqual). Sentiment analysis was conducted using the Support Vector Machine (SVM) algorithm with linear and RBF kernels. The classification results, based on an 80:20 data split, indicate that the majority of user reviews express negative sentiment—2,784 reviews using the linear kernel and 2,847 using the RBF kernel—followed by positive and neutral sentiments. These findings suggest a general dissatisfaction among users regarding the application’s performance.

Topic modeling was performed using the Guided Latent Dirichlet Allocation (GLDA) method, successfully grouping reviews into five main topics aligned with the Servqual dimensions: tangibles, assurance, empathy, reliability, and responsiveness. The empathy topic appeared most frequently, while responsiveness was the least represented. The GLDA model achieved a coherence score of 0.64 and a UMass score of -1.99, indicating the model’s interpretability and consistency.

Finally, the dimension-by-dimension gap analysis revealed that the assurance dimension had the smallest gap (-0.06), while the reliability dimension had the largest gap (-0.74). The overall Servqual gap score was 0.11, highlighting a notable disparity between user expectations and their actual experiences. These results underline the need for targeted improvements in several service aspects of the Mobile JKN application.

Keywords: Mobile JKN, SVM, GLDA, Gap Analysis, User Reviews.