Jundan Barofil Hibban, - (2022) KLASTERISI OPINI MASYARAKAT PADA TWITTER TERHADAP PELAYANAN BPJS SELAMA MASA PANDEMI MENGGUNAKAN K-MEANS DAN WARD. Skripsi thesis, UNIVERSITAS AIRLANGGA.

	Text (HAL JUDUL) HAL JUDUL.pdf Download (258kB)
	Text (BAB 1) BAB 1.pdf Download (53kB)
	Text (FULLTEXT) 081511633023.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Badan Penyelenggara Jaminan Sosial Kesehatan (BPJS Kesehatan) merupakan Badan Hukum Publik yang bertugas menyelenggarakan jaminan Kesehatan Nasional bagi seluruh rakyat Indonesia terutama bagi Aparatur Sipil Negara dan Rakyat kurang mampu. Sejak 27 Desember 2019 jumlah penduduk Indonesia yang menggunakan BPJS Kesehatan sebanyak 224,1 Juta atau 83% dari total penduduk Indonesia. BPJS memiliki peran yang sangat besar dalam dunia kesehatan di Indonesia. Terlebih selama terjadinya pandemi covid 19. Hal ini tentunya menghasilkan beberapa opini rakyat akan peran BPJS selama pandemi di indonesia. Dalam penelitian ini akan mining opini masyarakat yang dilakukan menggunakan selenium untuk scrapping data dari twitter. Pada proses Analisa sentiment akan dibutuhkan proses word embedding. Word embedding bertugas memetakan setiap kata dalam dokumen ke dalam dense vector, di mana sebuah vector merepresentasikan proyeksi kata di dalam ruang vector. Saat ini proses word embedding yang popular merupakan Word2Vec dan GloVe . Penelitian ini bertujuan mengetahui bagaimana opini masyarakat terhadap bpjs Kesehatan selama pandemic dan membandingankan algoritma kombinasi word embedding dan klasterisasi mana yang paling optimal jika diaplikasikan terhadap dataset teks dari twitter. Berdasarkan hasil penelitian dapat diketahui bahwa algoritma Word2Vec + K – means dinilai lebih unggul. Opini masyarakat diklasterkan menjadi 3 yaitu tentang Website BPJS dengan sentimen 40% positif dan 60% Negatif, Pandemic Corona dengan sentimen 30% positif dan 70% Negatif lalu yang terakhi tentang tarif Iuran BPJS Kesehatan dengan sentiment 31% Positif dan 69% negatif.

Actions (login required)

View Item