Analisis Sentimen dan Pemodelan Topik pada Ulasan Penggna Telemedicine Indonesia Menggunakan IndoBERT dan LDA

Abstract

Peningkatan pemanfaatan layanan telemedicine di Indonesia menghasilkan ulasan pengguna dalam jumlah besar di Google Play Store. Ulasan tersebut berbentuk teks tidak terstruktur sehingga sulit diekstraksi secara manual, sementara penelitian terdahulu pada domain ini masih terbatas pada klasifikasi sentimen tanpa mengintegrasikan pemodelan topik. Penelitian ini bertujuan mengevaluasi kinerja IndoBERT dalam analisis sentimen dan LDA dalam pemodelan topik pada ulasan pengguna lima aplikasi telemedicine di Indonesia (Halodoc, Alodokter, Good Doctor, KlikDokter, dan YesDok), serta menentukan aspek layanan yang perlu dipertahankan dan diperbaiki. Penelitian menggunakan pendekatan kuantitatif-komputasional bersifat eksperimental. Data berlabel dari dataset TELEMEDICINE-SENTIMENT (168.905 ulasan) digunakan untuk fine-tuning IndoBERT, sedangkan data tidak berlabel diperoleh melalui scraping ulasan tahun 2025 dan diproses melalui preprocessing ekstensif hingga tersisa 1.775 dokumen untuk pemodelan LDA. Fine-tuning IndoBERT dirancang dalam empat skenario eksperimen dengan variasi emotikon dan jumlah kelas label, dievaluasi menggunakan macro F1-score, accuracy, precision, dan recall. Pemodelan topik LDA dievaluasi menggunakan coherence score. Hasil penelitian menunjukkan lima topik optimal (Topik 0–4) yang dibedakan berdasarkan kata kunci dominan dan pola tematik masing-masing. Skenario without_emoji_2class memberikan kinerja terbaik dengan macro F1-score 0,9340 dan accuracy 0,9716. Inferensi sentimen menunjukkan proporsi positif 53,9% dan negatif 46,1%. Topik 2 memperoleh proporsi sentimen positif tertinggi, sedangkan Topik 1 memperoleh proporsi sentimen negatif tertinggi. Analisis per aplikasi difokuskan pada Halodoc, Alodokter, dan Good Doctor karena volume ulasan KlikDokter dan YesDok terlalu sedikit