OPTIMASI NAIVE BAYES CLASSIFIER MENGGUNAKAN PARTICLE SWARM OPTIMIZATION PADA ANALISIS SENTIMEN TERHADAP PELAYANAN PESERTA BPJS KESEHATAN

Analisis sentimen merupakan salah satu cabang text mining yang bertujuan mengklasifikasikan opini publik dari teks untuk mengetahui persepsi, kepuasan, maupun keluhan masyarakat. BPJS Kesehatan sebagai penyelenggara jaminan kesehatan nasional perlu memahami sentimen peserta untuk mendukung peningkatan kualitas layanan. Penelitian ini menerapkan dan mengoptimasi algoritma Naive Bayes Classifier (NBC) untuk klasifikasi sentimen terhadap pelayanan BPJS Kesehatan. Data penelitian dikumpulkan dari platform X (Twitter) menggunakan kata kunci “pelayanan BPJS” dan menghasilkan 3.498 tweet. Tahapan penelitian meliputi preprocessing, pembobotan TF-IDF, penyeimbangan kelas menggunakan SMOTE, serta evaluasi performa dengan Stratified 10-Fold Cross Validation. Optimasi parameter NBC dilakukan menggunakan Particle Swarm Optimization (PSO) dengan tujuan meningkatkan kinerja model. Hasil menunjukkan bahwa PSO mampu meningkatkan akurasi model dari 80,4% menjadi 80,7% dan menaikkan nilai f1-score macro dari 0,367 menjadi 0,500. Penerapan SMOTE juga meningkatkan f1-score macro menjadi 0,506. Evaluasi Cross Validation menghasilkan akurasi rata-rata 76,09% dan f1-score macro 0,520, yang menunjukkan performa model yang lebih stabil dan seimbang pada seluruh kelas. Dengan demikian, integrasi NBC dan PSO terbukti efektif dalam meningkatkan kualitas analisis sentimen terhadap pelayanan BPJS Kesehatan.

Kata kunci : Analisis Sentimen, BPJS Kesehatan , Naïve Bayes Classifier, Particle Swarm Optimization, SMOTE.