PENERAPAN PENDEKATAN HYBRID NAÏVE BAYES DAN INDOBERT UNTUK ANALISIS SENTIMEN ULASAN GOOGLE MAPS PADA RUMAH SAKIT JIH SOLO

Abstract

Perkembangan platform digital seperti Google Maps memungkinkan masyarakat memberikan ulasan terhadap layanan rumah sakit secara daring. Ulasan tersebut dapat dimanfaatkan untuk mengetahui persepsi masyarakat terhadap kualitas layanan kesehatan. Namun, jumlah ulasan yang besar, data yang tidak terstruktur, serta adanya ketidakseimbangan distribusi kelas sentimen menyebabkan proses analisis menjadi lebih kompleks. Penelitian ini bertujuan membangun model analisis sentimen pada ulasan Google Maps Rumah Sakit JIH Solo menggunakan pendekatan hybrid IndoBERT dan Multinomial Naïve Bayes. Data penelitian berupa 2.432 ulasan yang dikumpulkan melalui teknik web scraping pada periode 2022–2026. IndoBERT digunakan untuk melabeli ulasan yang ambigu, sedangkan Multinomial Naïve Bayes digunakan sebagai model klasifikasi. Data kemudian melalui tahap preprocessing dan transformasi TF-IDF. Untuk mengatasi ketidakseimbangan data, diterapkan teknik Random Over Sampling (ROS) dan Synthetic Minority Oversampling Technique (SMOTE). Hasil pengujian menunjukkan bahwa model hybrid memperoleh akurasi sebesar 94% dengan nilai recall sentimen negatif mencapai 0,89. Nilai tersebut lebih tinggi dibandingkan model Naïve Bayes tanpa pendekatan hybrid yang memperoleh recall sebesar 0,83. Hasil penelitian menunjukkan bahwa kombinasi IndoBERT, Naïve Bayes, dan teknik balancing data mampu meningkatkan kinerja klasifikasi sentimen pada data yang tidak seimbang