Penerapan Pendekatan Hybrid Naive Bayes dan IndoBERT untuk Analisis Sentimen Ulasan Google Maps pada Rumah Sakit JIH Solo

Perkembangan teknologi informasi mendorong masyarakat untuk menyampaikan opini mengenai kualitas pelayanan rumah sakit melalui platform Google Maps. Ulasan tersebut dapat dimanfaatkan sebagai sumber informasi dalam mengevaluasi kualitas layanan, namun jumlah data yang besar, ketidakseimbangan kelas, dan keberadaan ulasan ambigu menyebabkan analisis secara manual menjadi kurang efektif. Penelitian ini bertujuan menerapkan pendekatan Hybrid IndoBERT–Multinomial Naïve Bayes untuk analisis sentimen ulasan Google Maps pada Rumah Sakit JIH Solo. Penelitian menggunakan metode Knowledge Discovery in Databases (KDD) yang meliputi data selection, preprocessing, transformation, data mining, dan interpretation/evaluation. Data dikumpulkan melalui web scraping menggunakan Apify pada periode Juni 2022 hingga April 2026, menghasilkan 5.331 data awal yang kemudian melalui proses penyaringan manual sehingga diperoleh 2.432 ulasan. Rating 1–2 diberi label negatif, rating 4–5 diberi label positif, sedangkan rating 3 diperlakukan sebagai data ambigu dan diproses menggunakan IndoBERT berdasarkan konteks kalimat. Selanjutnya dilakukan klasifikasi menggunakan Multinomial Naïve Bayes dengan penanganan ketidakseimbangan data menggunakan Random Over Sampling (ROS) dan Synthetic Minority Oversampling Technique (SMOTE). Hasil pengujian menunjukkan bahwa Hybrid IndoBERT–Multinomial Naïve Bayes dengan ROS memberikan performa terbaik dengan accuracy 95%, precision 98%, recall kelas negatif 91%, dan F1-score kelas negatif 73%. Hasil tersebut menunjukkan bahwa pemanfaatan IndoBERT untuk pelabelan data ambigu dan teknik balancing dapat meningkatkan kemampuan model dalam mengklasifikasikan sentimen secara lebih seimbang.