Analisis Sentimen Pasien terhadap Layanan Antarmedika Dentalcare Menggunakan Metode XGBoost

Abstrak

Pelayanan kesehatan yang berkualitas menjadi faktor utama dalam kepuasan pasien, sebagaimana diatur dalam Peraturan Menteri Kesehatan Republik Indonesia Nomor 4 Tahun 2019 tentang Standar Pelayanan Minimal (SPM). Dalam upaya meningkatkan kualitas layanan, Praktek Mandiri Bersama Antarmedika Dentalcare menerapkan analisis sentimen berbasis data terhadap ulasan pasien yang diperoleh dari Google Maps, media sosial, dan Survei Kepuasan Pasien (SKP). Penelitian ini menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan pendekatan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengklasifikasikan 500 ulasan pasien ke dalam dua kategori sentimen, yaitu positif dan negatif. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 96%, presisi 96%, dan recall 98%. Dibandingkan dengan studi terdahulu, kontribusi utama dari penelitian ini terletak pada pengembangan sistem klasifikasi otomatis berbasis web yang dapat diintegrasikan langsung ke dalam proses evaluasi layanan. Sistem ini memungkinkan manajemen klinik untuk melakukan analisis sentimen dalam mengambil keputusan berbasis data dalam rangka meningkatkan kepuasan serta kualitas layanan kesehatan gigi secara berkelanjutan.

Abstract

Quality healthcare services are a key factor in ensuring patient satisfaction, as stipulated in the Indonesian Ministry of Health Regulation No. 4 of 2019 concerning Minimum Service Standards (SPM). In an effort to improve service quality, Praktek Mandiri Bersama Antarmedika Dentalcare applies data-driven sentiment analysis to patient reviews obtained from Google Maps, social media, and Patient Satisfaction Surveys (SKP). This study employs the Extreme Gradient Boosting (XGBoost) algorithm with Term Frequency-Inverse Document Frequency (TF-IDF) word weighting to classify 500 patient reviews into positive and negative sentiment categories. The model achieved an accuracy of 96%, with a precision of 0.96 and a recall of 0.98. Compared to previous studies, the main contribution of this research lies in the development of an automated web-based sentiment classification system that can be directly integrated into the clinic’s service evaluation processes. This system enables the clinic management to perform real-time sentiment analysis and make data-driven decisions aimed at continuously improving customer satisfaction and the quality of dental healthcare services.