PREDIKSI KOMENTAR TWITTER TERHADAP PERUBAHAN IURAN BPJS KESEHATAN TAHUN 2020 MEGGUNAKAN ALGORITMA ENSEMBLES VOTE

PREDIKSI KOMENTAR TWITTER TERHADAP PERUBAHAN IURAN BPJS KESEHATAN TAHUN 2020 MEGGUNAKAN ALGORITMA ENSEMBLES VOTE

• By Riza, Fahlapi;
• Tesis
• 353
• 0-71

Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan adalah fasilitas yang dibentuk oleh pemerintah dalam memberikan pelayanan terhadap warga negara dalam bidang kesejahteraan Kesehatan. Semangat gotong royong dalam pemanfaatan pelayanan kesehatan yang sangat banyak saat ini menjadi suatu kendala dalam anggaran masih belum mencukupi dalam mencover pelayanan kesehatan secara menyeluruh. Untuk itu, kebijakan pemerintah sesuai PERPRES No. 75 tahun 2019, Pemerintah resmi menaikan iuran BPJS Kesehatan untuk tahun 2020. Adanya kenaikan iuran BPJS Kesehatan tersebut tentunya mengakibatkan banyak komentar. Yaitu twitter, salah satu media sosial yang digunakan masyarakat untuk mencurahkan ketidaksetujuan ataupun dukungan terhadap kebijakan pemerintah ini. Melalui penelitian ini, dilakukan pengujian terkait predikasi komentar dari media sosial atas tanggapan masyarakat terhadap kenaikan Iuran BPJS Kesehatan yang diambil oleh pemerintah. Dalam pengujian dilakukan 3 (tiga) masukan algoritma. Untuk setiap single algorithm diantaranya mendapatkan hasil melalui metode K-NN dengan akurasi 71.83% dan nilai AUC 0.812, Untuk metode Naïve Bayes menghasilkan akurasi 81.63% dan nilai AUC 0.586. Sedangkan untuk metode C4.5 menghasilkan akurasi 65.37% dan nilai AUC 0.628. Sedangkan pengujian yang dilakukan melalui metode Ensembles Vote yang menggabungkan 3 algoritma diatas memberikan hasil terbaik dengan akurasi 80.10% dan nilai AUC 0.871 untuk prediksi komentar twitter.

• Katakunci BPJS Kesehatan, Iuran, Prediksi, Komentar, Twitter, Ensembles Vote.
• URL http://
• Penerbit ,

REFERENSI

Aggarwal, C. C. (2018). Machine learning for text. In Machine Learning for Text. https://doi.org/10.1007/978-3-319-73531-3

Amriana, A., Joefrie, Y. Y., & Meidji, F. N. (2019). Penerapan Data Mining Untuk Pengelompokan Hasil Diagnosa Penyakit Pasien Pengguna BPJS Kesehatan (Studi Kasus Pada Rsud Undata Palu). ScientiCO : Computer

Alhamad, A., Azis, A. I. S., Santoso, B., & Taliki, S. (2019). Prediksi Penyakit Jantung Menggunakan Metode-Metode Machine Learning Berbasis Ensemble – Weighted Vote. 5(3), 352–360.

Amrullah, A. A., Tantoni, A., Hamdani, N., Bau, R. T. R. L., Ahsan, M. R., & Utami, E. (2016). Reviewatas Analisis Sentimen Pada Twitter Sebagai Representasi Opini Publik Terhadap Bakal Calon Pemimpin. Prosiding Seminar Nasional Multi Disiplin Ilmu & Call for Papers Unisbank (Sendi_U), 2(1), 978–979.

Anjani, D. (2015). Analisis Kemiripan Dokumen Tugas Akhir Untuk Penilaian Originalitas. Universitas Widyatama.

Aribowo, A. S. (2018). Analisis Sentimen Publik pada Program Kesehatan Masyarakat menggunakan Twitter Opinion Mining. Seminar Nasional Informatika Medis (Snimed) 2018, 17–23.

Aristianto, D., & Finandhita, A. (2015). Penerapan Data Mining Untuk Mengklasifikasikan Penyakit Berdasarkan Wilayah Dengan Metode Klasifikasi dan Algoritma C4.5.

Aprilla Dennis. (2013). Belajar Data Mining dengan RapidMiner. In Innovation and Knowledge Management in Business Globalization: Theory & Practice, Vols 1 and 2 (Vol. 5). https://doi.org/10.1007/s13398-014-0173-7.2

Ati, I.-, & Kusyanti, A. (2019). Metode Ensemble Classifier untuk Mendeteksi Jenis Attention Deficit Hyperactivity Disorder (SDHD) pada Anak Usia Dini. Jurnal Teknologi Informasi Dan Ilmu Komputer, 6(3), 301. https://doi.org/10.25126/jtiik.2019631313

Bina Nusantara, U. (2018). 10 Fold-Cross Validation.

Bramer, M. (2013). Principles of data mining. Second edition. London, Inggris: Springer.

Bruno, L. (2019). 済無No Title No Title. Journal of Chemical Information and Modeling, 53(9), 1689–1699. https://doi.org/10.1017/CBO9781107415324.004

Calon Guru Dan Karyawan Tata Usaha Baru Berwawasan Teknologi ( Studi Kasus : Sekolah Menengah Kejuruan Muhammadiyah 2 Kediri ). Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(5), 378–385.

Dan, S. V. M. (2017). PADA TWITTER MENGGUNAKAN ALGORITMA PADA TWITTER MENGGUNAKAN ALGORITMA.

Deviyanto, A., & Wahyudi, M. D. R. (2018). Penerapan Analisis Sentimen Pada Pengguna Twitter Menggunakan Metode K-Nearest Neighbor. JISKA (Jurnal Informatika Sunan Kalijaga), 3(1), 1. https://doi.org/10.14421/jiska.2018.31-01

Dzikrulloh, N. N., & Setiawan, B. D. (2017). Penerapan Metode K – Nearest Neighbor ( KNN ) dan Metode Weighted Product ( WP ) Dalam Penerimaan

Ertek, G., Tapucu, D., & Arin, I. (2013). Text mining with rapidminer. In RapidMiner: Data Mining Use Cases and Business Analytics Applications. https://doi.org/10.1201/b16023-21

Ferdiana, R., Jatmiko, F., Purwanti, D. D., Sekar, A., Ayu, T., Dicka, W. F., … Indonesia, B. (2019). Dataset Indonesia untuk Analisis Sentimen. 8(4), 334–339.

Feldman, Ronen and Sanger, James. The Text Mining HandBook. Cambridge University Pres.2007.

Gata, W. (2017). Akurasi Text Mining Menggunakan Algoritma K-Nearest Neighbour pada Data Content Berita SMS. 6, 1–13.

G. Vinodhini dan R. M. Chandrasekaran, "Sentiment Analysis and Opinion Mining: A Survey," Int. J. of Advanced Research in Computer Science and Software Engineering, Vol. 2, No. 6, hal. 282-292, 2012

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques. In Data Mining: Concepts and Techniques. https://doi.org/10.1016/C2009-0-61819-5

Heristian, S., Program, M., Ilmu, S., Tinggi, S., Informatika, M., Komputer, D. A. N., & Mandiri, N. (2019). ANALISIS SENTIMEN BERITA ONLINE TERHADAP EKONOMI INDONESIA DENGAN METODE NAÏVE BAYES CLASSIFIER DAN SUPPORT VECTOR MACHINE.

Hermanto, B., & SN, A. (2017). Klasifikasi Nilai Kelayakan Calon Debitur Baru Menggunakan Decision Tree C4.5. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 11(1), 43. https://doi.org/10.22146/ijccs.15946

Ibrahim, D. (2017). Analisis Hubungan antar Faktor dan Komparasi Algoritma Klasifikasi pada Penentuan Penundaan Penerbangan. Senit, (September), 15–17.

Ignatow, G., & Mihalcea, R. (2018). Sentiment Analysis. https://doi.org/10.4135/9781483399782.n14

Informatikalogi. (2017). Algoritma Naive Bayes | INFORMATIKALOGI. Retrieved from Informatikalogi website: https://informatikalogi.com/algoritma-naive-bayes/

Journals of Advanced Research in Computer Science and Software Engineering, 9(3), 19–23. Retrieved from www.ijarcsse.com,

Kabari, L. G., & Onwuka, U. C. (2019). Comparison of Bagging and Voting Ensemble Machine Learning Algorithm as a Classifier. International

Khan, M. T., Durrani, M., Khan, K. H., & Khalid, S. (2015). Aspect-based Sentiment Analysis on a Large- Scale Data : Topic Models are the Preferred Solution. Bahria University Journal of Information & Communication Technologies, 8(March 2016), 22–27.

Kesehatan, K., & Indonesia, R. (2011). Kementerian Kesehatan Republik Indonesia Tahun 2011.

Kemenkes no. 82. (2018). Peraturan Presiden Republik Indonesia No. 82 Tahun 2018 Tentang Jaminan Kesehatan (p. 74). p. 74.

Luthfi, K. A. E. T. (2009). Algoritma Data Mining Yogyakarta. Yogyakarta, Indonesia: Andi Offset.

Lestari, M. (2014). Penerapan Algoritma Klasifikasi Nearest Neighbor (K-NN) untuk Mendeteksi Penyakit Jantung. Faktor Exacta, 7(September 2010), 366–371.

Maimon, O, Rokach, L. (2011). Data mining and knowledge discovery handbook. In Choice Reviews Online (Vol. 48). https://doi.org/10.5860/choice.48-5729

Mentari, N. D., Fauzi, M. A., & Muflikhah, L. (2018). Analisis Sentimen Kurikulum 2013 Pada Sosial Media Twitter Menggunakan Metode K-Nearest Neighbor dan Feature Selection Query Expansion Ranking. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(8), 2739–2743.

Muhammad Sholeh. (2014). Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014 Yogyakarta, 15 November 2014 ISSN: 1979-911X. Snast, (November), 211–216.

Nathan, A. J., & Scobell, A. (2012). How China sees America. Foreign Affairs, 91(5). https://doi.org/10.1017/CBO9781107415324.004

Nawawi, H. M., Purnama, J. J., Hikmah, A. B., Komputer, S. I., Informasi, S. S., Bina, U., & Informatika, S. (2019). Komparasi Algoritma Neural Network dan Naive Bayes untuk Memprediksi Penyakit Jantung (Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri; Vol. 15). https://doi.org/10.33480/pilar.v15i2.669

Nurhuda, F., Widya Sihwi, S., & Doewes, A. (2016). Analisis Sentimen Masyarakat terhadap Calon Presiden Indonesia 2014 berdasarkan Opini dari Twitter Menggunakan Metode Naive Bayes Classifier. Jurnal Teknologi & Informasi ITSmart, 2(2), 35. https://doi.org/10.20961/its.v2i2.630

oxforddictionaries.com. (2018). Sentiment Analysis. Retrieved from https://en.oxforddictionaries.com/definition/sentiment_analysis.

Pascasarjana, P., Ilmu, M., Tinggi, S., Informatika, M., Komputer, D. A. N., & Mandiri, N. (2019). ANALISIS SENTIMEN REVIEW KOSMETIK PADA WEBSITE FEMALEDAILY MENGGUNAKAN METODE NAIVE BAYES DAN SUPPORT VECTOR MACHINE BERBASIS PARTICLE SWARM OPTIMIZATION.

Pengertian Media Online | Lentera Kecil. (2015). 21 April 2015. Retrieved from https://lenterakecil.com/pengertian-media-online/

peraturan badan penyelenggara jaminan sosial. (2018). Peraturan Badan Penyelenggara Jaminan Sosial Kesehatan No 1 Thn 2018. 1–16.

Penambangan Pesan Twitter untuk Memahami Sentimen Masyarakat terhadap Perubahan Harga Pangan di Indonesia. (2018).

Princy Christy, A., & Rama, N. (2019). Improving prediction capability of ensemble of classifiers through weighted average probabilities. International Journal of Engineering and Advanced Technology, 8(5), 2540–2543.

Rana, S., & Singh, A. (2017). Comparative analysis of sentiment orientation using SVM and Naive Bayes techniques. Proceedings on 2016 2nd International Conference on Next Generation Computing Technologies, NGCT 2016, (October), 106–111. https://doi.org/10.1109/NGCT.2016.7877399

Rosyidi, R. (2019). PERBANDINGAN ALGORITMA K-NN DAN CART PADA DATA. 4(2), 169–177.

Rosdiansyah, D. (2014). Analisis Sentimen Twitter Menggunakan Metode K-Nearest Neighbor dan Pendekatan Lexicone. Tugas Akhir Jurusan Teknik Informatika, 1–15.

Salini, A., Jeyapriya, U., College, S. M., & College, S. M. (2018). A Majority Vote Based Ensemble Classifier for Predicting Students Academic Performance. International Journal of Pure and Applied Mathematics, 118(24), 1–11.

Sentimen, A., Menilai, U., Terhadap, M., Kementrian, K., Pembangunan, K., Dan, M., … Mandiri, N. (2018). KOORDINATOR PEMBANGUNAN MANUSIA DAN KEBUDAYAAN MENGGUNAKAN SUPPORT VECTOR MACHINE DAN NAIVE BAYES.

Science and Informatics Journal, 1(1), 51. https://doi.org/10.22487/j26204118.2018.v1.i1.11901

Staeheli, L. A., & Mitchell, D. (2010). Relevance. The SAGE Handbook of Social Geographies, 546–559. https://doi.org/10.4135/9780857021113.n29

Studi, P., Santoso, I., Komputer, I., Mining, D., & Bayes, N. (n.d.). Program Studi Ilmu Komputer (S2) STMIK Nusa Mandiri i.

Sulistyowati, D. N. U. R., Studi, P., Ilmu, M., Tinggi, S., Informatika, M., Komputer, D. A. N., & Mandiri, N. (2018). BAYES DAN K-NEAREST NEIGHBORS TERHADAP POPULARITAS PERFILMAN INDONESIA BAYES DAN K-NEAREST NEIGHBORS TERHADAP.

UTHM. (2012). Panduan Penulisan Tesis UTHM.

Vanich Sajee. (2015). Data Mining: Data Mining (เหมืองข้อมูล) (Vol. 2). Retrieved from http://sajeegm301.blogspot.com/2015/11/data-mining.html

Vinodhini, G. R. C. (2012). Sentiment Analysis and Opinion Mining : A Survey. International Journal of Advanced Research in Computer Science and Software Engineering, 2(6), 282–292.

Vulandari Tri Retno. (2017). Data Mining Teori dan Aplikasi Rapidminer. Retrieved from www.infogavamedia@yahoo.com

Wahyudi, M., & Kristiyanti, D. A. (2016). Sentiment analysis of smartphone product review using support vector machine algorithm-based particle swarm optimization. Journal of Theoretical and Applied Information Technology, 91(1), 189–201.

www.hukumonline.com/pusatdata. (2019).

Wahono, R. S. (2015). Proses Data Mining. In Data Mining. Retrieved from http://romisatriawahono.net/dm

Yanis, R. Y. (2018). Sentiment Analysis of Bpjs Kesehatan Services To Smk Eklesia and Bina Insani Jailolo Teachers. Jurnal Terapan Teknologi Informasi, 2(2), 25–34. https://doi.org/10.21460/jutei.2018.22.105

Zhang, Y., Zhang, H., Cai, J., & Yang, B. (2014). A weighted voting classifier based on differential evolution. Abstract and Applied Analysis, 2014. https://doi.org/10.1155/2014/376950