Analisis Kualitas Layanan Pada Aplikasi Kesehatan (M-Health) Menggunakan Metode Text Mining Dan Algoritma Support Vector Machine (Svm): Alodokter Dan Halodoc

Nur, Taufik Brillian (2022) Analisis Kualitas Layanan Pada Aplikasi Kesehatan (M-Health) Menggunakan Metode Text Mining Dan Algoritma Support Vector Machine (Svm): Alodokter Dan Halodoc. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032201029-Master Thesis.pdf Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Kehadiran dari aplikasi Alodokter dan Halodoc telah memberikan manfaat yang begitu luas bagi masyarakat Indonesia, namun masih saja terdapat sejumlah kekecewaan dari sebagian pengguna atas kualitas layanan yang diberikan. Adanya isu atas kurangnya kualitas layanan tersebut telah mendorong sebagian pengguna meninggalkan layanan, sehingga usaha untuk melakukan perbaikan kualitas layanan agar sesuai dengan harapan pengguna menjadi kunci yang sangat penting untuk menjaga loyalitas mereka. Untuk merumuskan perbaikan layanan tersebut digunakan metode analisis kualitas layanan m-health dan metode text mining yang meliputi Analisis Klasifikasi Multikelas, Analisis Sentimen dan Analisis Text Network. Untuk meningkatkan akurasi analisis text mining maka digunakan algoritma SVM (Support Vector Machine) yang memiliki performa lebih baik dari algoritma Naïve Bayes yang telah digunakan pada penelitian sebelumnya. Penelitian ini telah menerapkan metode SMOTE untuk mengatasi kondisi distribusi data yang tidak seimbang dan berhasil mendapatkan nilai akurasi lebih baik dari pada penelitian sebelumnya. Hasil pengujian model klasifikasi multikelas dengan SMOTE pada data ulasan pengguna Alodokter dan Halodoc menggunakan k-fold cross validation mendapatkan nilai akurasi sebesar 93,71% dan 95,18% sedangkan pengujian menggunakan confusion matrix mendapatkan akurasi sebesar 81.23% dan 81.59%. Disisi lain hasil pengujian model Analisis Sentimen dengan SMOTE menggunakan k-fold cross validation mendapatkan akurasi sebesar 95,52% dan 97,14% sedangkan pengujian menggunakan confusion matrix mendapatkan akurasi sebesar 93,28% dan 94,21%. Berdasarkan analisis text mining, permasalahan yang paling banyak dirasakan oleh pengguna Alodokter berkaitan dengan aspek kurangnya keamanan dan privasi data pengguna dan kurangnya jaminan pelayanan yang baik dan lancar serta kurangnya aspek manfaat yang dirasakan pengguna. Sedangkan permasalahan yang paling banyak dirasakan pengguna Halodoc berkaitan dengan isu kurangnya keandalan platform dan kurangnya jaminan pelayanan yang baik dan lancar serta kurangnya aspek manfaat yang dirasakan pengguna. Berdasarkan temuan masalah tersebut, penelitian ini telah memberikan rekomendasi perbaikan agar Alodokter dan Halodoc dapat memberikan layanan yang lebih baik dalam rangka meningkatkan kepuasan pengguna dan menjaga loyalitas mereka.
==============================================================================================================================
The presence of the Alodokter and Halodoc applications provides extensive benefits for the people of Indonesia, but there are still a number of disappointments from some users for the quality of the services provided. The problem with the lack of service quality has caused most users to leave the service, so efforts to improve service quality to meet user expectations are a very important key to maintaining their loyalty. To formulate these service improvements, the m-health service quality analysis method and text mining methods are used which include multiclass classification analysis, sentiment analysis and Text Network analysis. To improve the accuracy of text mining analysis, the SVM (Support Vector Machine) algorithm is used which has better performance than the Naïve Bayes algorithm that has been used in previous studies. This study has applied the SMOTE method to overcome the condition of unbalanced data distribution and managed to get a better accuracy value than previous studies. The results of testing the multiclass classification model with SMOTE on user data reviews of Alodokter and Halodoc using k-fold cross validation get an accuracy value of 93.71% and 95.18%, while testing using a confusion matrix gets an accuracy of 81.23% and 81.59%. On the other hand, the results of testing the sentiment analysis model with SMOTE using k-fold cross validation got an accuracy of 95.52% and 97.14%, while testing using the confusion matrix got an accuracy of 93.28% and 94.21%. Based on text mining analysis, the problems most experienced by Alodokter users are related to the lack of security and privacy of user data and the lack of guarantees of good service and the lack of aspects of the benefits felt by the users. Meanwhile, the problems most experienced by Halodoc users are related to the problem of not lacking a platform and the lack of guarantees for good service and the lack of aspects of the benefits felt by users. Based on the findings of these problems, this study has provided recommendations for improvement so that Alodokter and Halodoc can provide better services in order to increase user satisfaction and maintain their loyalty.

Item Type:	Thesis (Masters)
Additional Information:	RTMT 658.562 Nur a-1 2022
Uncontrolled Keywords:	m-health, Text mining, Analisis Klasifikasi Multikelas, Analisis Sentimen, Analisis Text Network, Support Vector Machine. m-health, Text mining, Multiclass Classification Analysis, Sentiment Analysis, Text Network Analysis, Support Vector Machine.
Subjects:	T Technology > T Technology (General)
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Mr. Marsudiyana -
Date Deposited:	07 Jul 2026 07:09
Last Modified:	07 Jul 2026 07:09
URI:	http://repository.its.ac.id/id/eprint/134435

Actions (login required)

View Item