Optimasi Naive Bayes PSO pada Analisis Sentimen Komentar Masyarakat terkait Kebijakan Penonaktifan BPJS PBI

Kebijakan penonaktifan peserta Penerima Bantuan Iuran (PBI) BPJS Kesehatan menimbulkan berbagai tanggapan darimasyarakat yang disampaikan melalui media sosial TikTok. Analisis sentimen diperlukan untuk mengetahui kecenderungan opini masyarakat terhadap kebijakan tersebut. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kebijakan penonaktifan BPJS PBI menggunakan algoritma Naive Bayes dan optimasi Particle Swarm Optimization (PSO).

Data penelitian berupa 1000 komentar TikTok yang diperoleh melalui Apify. Tahapan penelitian meliputi preprocessing, pelabelan manual menggunakan majority voting, pembobotan kata menggunakan TF-IDF, pengujian dilakukan menggunakan RapidMiner dengan tiga rasio pembagian data, yaitu 90:10, 80:20, dan 70:30. Klasifikasi menggunakan Naive Bayes dan Naive Bayes berbasis PSO, serta evaluasi menggunakan confusion matrix dengan metrik accuracy, precision, dan recall.

Hasil penelitian menunjukkan bahwa optimasi PSO mampu meningkatkan kinerja algoritma Naive Bayes pada seluruh rasio pengujian. Akurasi terbaik diperoleh pada rasio 90:10, Naive Bayes tanpa optimasi yang memperoleh akurasi 41.84%,
sebaliknya Naive Bayes berbasis PSO peningkatan akurasi yaitu sebesar 59.18%, lebih tinggi dibandingkan sebelum dioptimasi, sehingga selisih sebesar 17.34 poin persentase. Hasil tersebut menunjukkan bahwa penerapan PSO mampu
meningkatkan performa klasifikasi Naive Bayes dalam analisis sentimen terhadap kebijakan penonaktifan BPJS PBI.