RSUD dr. Mohammad Zyn Sampang merupakan salah satu fasilitas kesehatan rujukan utama yang kualitas pelayanannya sering dinilai masyarakat melalui ulasan Google Maps. Mengingat jumlah ulasan yang sangat banyak dan bentuk teksnya yang tidak terstruktur, evaluasi opini secara manual dinilai kurang efektif. Oleh karena itu, penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan sentimen masyarakat ke dalam kategori positif, netral, dan negatif menggunakan algoritma Support Vector Machine (SVM) yang dipadukan dengan ekstraksi fitur TF-IDF. Melalui proses pengumpulan data, terkumpul sebanyak 7.075 ulasan dengan distribusi kelas yang sangat timpang, yakni didominasi oleh 6.667 sentimen positif, berbanding jauh dengan 203 sentimen negatif dan 205 sentimen netral. Untuk mengatasi bias akibat ketidakseimbangan data latih tersebut, penelitian ini menerapkan teknik Hybrid Resampling yang merupakan kombinasi antara algoritma SMOTE dan Random Undersampling. Hasil pengujian membuktikan bahwa model SVM yang dilatih menggunakan data asli pada Skenario 1 menghasilkan akurasi sebesar 94,77%, namun terindikasi sangat bias pada kelas mayoritas dengan nilai sensitivitas (Recall makro) yang hanya mencapai 44,00%. Sebaliknya, setelah Hybrid Resampling diterapkan pada Skenario 2, kepekaan model dalam mengenali kelas minoritas meningkat secara signifikan yang ditandai dengan naiknya nilai Recall makro menjadi 64,00%. Meskipun tingkat akurasi secara keseluruhan mengalami penyesuaian menjadi 82,19%, model akhir yang dihasilkan terbukti jauh lebih proporsional, representatif, dan terhindar dari bias. Secara umum, hasil klasifikasi menyimpulkan bahwa persepsi masyarakat terhadap pelayanan rumah sakit tersebut telah didominasi oleh sentimen positif.


Deskripsi Lain

Dr. Mohammad Zyn Sampang Regional General Hospital (RSUD) is a primary referral healthcare facility whose service quality is frequently evaluated by the public through Google Maps reviews. Given the vast volume of reviews and their unstructured textual nature, manual opinion evaluation is considered ineffective. Therefore, this study aims to analyze and classify public sentiment into positive, neutral, and negative categories using the Support Vector Machine (SVM) algorithm combined with TF-IDF feature extraction. Data collection yielded 7,075 reviews with a highly imbalanced class distribution, dominated by 6,667 positive sentiments, contrasting sharply with 203 negative and 205 neutral sentiments. To address the bias resulting from this training data imbalance, the study employs a Hybrid Resampling technique, combining the SMOTE algorithm with Random Undersampling. Test results demonstrate that the SVM model trained on the original data (Scenario 1) achieved 94.77% accuracy but showed significant bias toward the majority class, with a sensitivity (macro-Recall) of only 44.00%. Conversely, after applying Hybrid Resampling (Scenario 2), the model's sensitivity in recognizing minority classes improved significantly, evidenced by an increase in macro-Recall to 64.00%. Although the overall accuracy adjusted to 82.19%, the resulting final model proved far more balanced, representative, and free from bias. Overall, the classification results indicate that public perception of the hospital's services is predominantly positive.