Analisis Sentimen dan Perbandingan Kualitas Aplikasi E-Government Indonesia Menggunakan Multinomial Naive Bayes

Fransisco Fransisco; Endang  Wahyudi; Jimmi Jimmi

doi:10.58602/jaiti.v4i4.426

Fransisco Fransisco ^{(Corresponding Author)} Universitas Bina Sarana Informatika
Endang Wahyudi Universitas Bina Sarana Informatika
Jimmi Jimmi Universitas Bina Sarana Informatika

DOI: https://doi.org/10.58602/jaiti.v4i4.426

Keywords: Analisis Sentimen, E-Government, Google Play Store, Multinomial Naive Bayes, TF-IDF

Abstract

Arus transformasi digital menuntut instansi pemerintah untuk menyediakan sistem e-government yang berkualitas. Namun, stigma negatif masyarakat terhadap platform digital sektor publik masih sering dijumpai pada kolom komentar Google Play Store. Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap persepsi publik mengenai kualitas lima aplikasi e-government populer di Indonesia, yaitu Mobile JKN, Access by KAI, SIGNAL-SAMSAT, Identitas Kependudukan Digital (IKD), dan PLN Mobile. Data diperoleh melalui teknik web scraping sebanyak 4.979 ulasan pengguna pada bulan Juni 2026. Melalui pendekatan klasifikasi biner, ulasan berlabel netral dieliminasi. Tahapan preprocessing teks yang diimplementasikan meliputi case folding, cleansing, normalisasi menggunakan kamus Colloquial Indonesian Lexicon, stopword removal, tokenizing, dan stemming berbantuan pustaka Sastrawi, yang menghasilkan dataset akhir sebanyak 4.686 ulasan bersih. Fitur tekstual diekstraksi menggunakan metode pembobotan Term Frequency–Inverse Document Frequency (TF-IDF), kemudian diklasifikasikan menggunakan algoritma Multinomial Naive Bayes dengan rasio data splitting sebesar 80% untuk data latih dan 20% untuk data uji. Studi ini juga menerapkan Aspect-Based Sentiment Analysis (ABSA) berbasis pencocokan kata kunci induktif untuk memetakan keluhan pengguna ke dalam indikator teknis standar kualitas perangkat lunak ISO 25010. Hasil eksperimen menunjukkan model berhasil membukukan akurasi sebesar 91,79%, dengan precision sebesar 92% dan recall 98% pada kelas positif, serta precision 92%, recall 75%, dan F1-score 83% pada kelas negatif. Temuan ABSA mengonfirmasi bahwa fungsionalitas login merupakan akar permasalahan utama pada mayoritas aplikasi, sementara PLN Mobile meraih sentimen positif tertinggi (99,1%). Hasil riset ini diharapkan mampu menyediakan instrumen evaluasi empiris bagi pembuat kebijakan dalam merevitalisasi ekosistem pelayanan publik digital secara terarah.

Downloads

Download data is not yet available.

References

D. Suluh Kusuma Dewi, D. Binti Yulianti, and I. Azhar Yusdiawan, “Analisis Hambatan E-Government,” Nakhoda: Jurnal Ilmu Pemerintahan, vol. 21, no. 1, pp. 95–106, Jun. 2022, doi: 10.35967/njip.v21i1.336.

L. E. Naufal, N. Surojudin, and I. Afriantoro, “Analisis Sentimen Aplikasi Mobile JKN di Google Play Store Menggunakan Algoritma Naive Bayes,” Journal of Information System Research (JOSH), vol. 6, no. 4, pp. 1999–2009, Jul. 2025, doi: 10.47065/josh.v6i4.7846.

S. A. Ramadhan and E. P. Purnomo, “COMPARATIVE ANALYSIS OF THE E-GOVERNMENT DEVELOPMENT INDEX: A CASE STUDY OF SINGAPORE AND AFGHANISTAN,” Sosiohumaniora, vol. 26, no. 3, pp. 439–452, Feb. 2025, doi: 10.24198/sosiohumaniora.v26i3.56427.

J. M. Ayomi, A. V. Vitianingsih, Y. Kristyawan, A. L. Maukar, and T. Widiartin, “Sentiment Analysis of User Reviews for the PLN Mobile Application Using Naïve Bayes and Long Short-Term Memory,” Journal of Information Systems and Informatics, vol. 7, no. 4, pp. 3849–3873, Dec. 2025, doi: 10.63158/journalisi.v7i4.1342.

S. Alpin Rizaldi, S. Alam, and I. Kurniawan, “ANALISIS SENTIMEN PENGGUNA APLIKASI JMO (JAMSOSTEK MOBILE) PADA GOOGLE PLAY STORE MENGGUNAKAN METODE NAIVE BAYES 1),” vol. 2, no. 3, pp. 109–117, 2023, doi: 10.55123.

A. Fauzi, A. Dwi Pangestu, A. K. Solihin, R. A. Sihombing, and F. Natsir, “Analisis Sentimen Ulasan Aplikasi iPusnas di Playstore dengan Metode Algoritma Random Forest,” JIFOTECH (JOURNAL OF INFORMATION TECHNOLOGY, vol. 06, no. 01, 2026.

Kompas, “Ada 27.000 Aplikasi Mobile yang Menghambat Pelayanan Publik, Super App Jalan Keluarnya.,” Kompas.id, 2023. Accessed: Jul. 26, 2026. [Online]. Available: https://kompas100.kompas.id/berita-ekonomi/ada-27-000-aplikasi-mobile-yang-menghambat-pelayanan-publik-super-app-jalan-keluarnya/

Tirto, “Daftar Aplikasi Pemerintah: Mobile JKN hingga PeduliLindungi,” Tirto.id, 2022.

W. Suciati, “PENGEMBANGAN SKALA LIKERT UNTUK MENGUKUR SIKAP TERHADAP PENERAPAN PENILAIAN AUTENTIK SISWA SEKOLAH MENENGAH PERTAMA,” Sep. 2022. Accessed: Jun. 17, 2026. [Online]. Available: https://journal.unucirebon.ac.id/index.php/jeas/article/view/393

S. A. H. Bahtiar, C. K. Dewa, and A. Luthfi, “Comparison of Naïve Bayes and Logistic Regression in Sentiment Analysis on Marketplace Reviews Using Rating-Based Labeling,” Journal of Information Systems and Informatics, vol. 5, no. 3, pp. 915–927, Aug. 2023, doi: 10.51519/journalisi.v5i3.539.

Honainah, “Penerapan_Algoritma_Naive_Bayes_dengan_Pembobotan_,” JSAI (Journal Scientific and Applied Informatics), Jan. 2026, Accessed: May 14, 2026. [Online]. Available: https://www.researchgate.net/publication/400389527_Penerapan_Algoritma_Naive_Bayes_dengan_Pembobotan_TF-IDF_dan_Pendekatan_Lexicon_Untuk_Analisis_Sentimen_Opini_Mahasiswa_Terhadap_Fasilitas_KampusApplication_of_Naive_Bayes_Algorithm_with_TF-IDF_Weight

M. Sivakumar, S. Parthasarathy, and T. Padmapriya, “Trade-off between training and testing ratio in machine learning for medical image processing,” PeerJ Comput. Sci., vol. 10, 2024, doi: 10.7717/PEERJ-CS.2245.

N. Lestari, O. Riza Secio, and R. Ardinal, “Implementation Of Text Mining And Pattern Discovery With Naive Bayes Algorithm For Classification Of Text Documents,” Jurnal Teknologi Informasi Dan Komunikasi, May 2023, Accessed: Aug. 14, 2026. [Online]. Available: https://journal.unilak.ac.id/index.php/dz/article/view/13596

Y. C. Hua, P. Denny, J. Wicker, and K. Taskova, “A systematic review of aspect-based sentiment analysis: domains, methods, and trends,” Artif. Intell. Rev., vol. 57, no. 11, Nov. 2024, doi: 10.1007/s10462-024-10906-z.

N. Ayub, M. R. Talib, M. K. Hanif, and M. Awais, “Aspect Extraction Approach for Sentiment Analysis Using Keywords,” Computers, Materials and Continua, vol. 74, no. 3, pp. 6879–6892, 2023, doi: 10.32604/cmc.2023.034214.

International Organization for Standardization, “Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models,” 2023. Accessed: Jul. 26, 2026. [Online]. Available: https://iso.org

International Organization for Standardization, “Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Quality model overview and usage,” 2024. Accessed: Jul. 26, 2026. [Online]. Available: https://iso.org

W. Ahmad, H. U. Khan, F. K. Alarfaj, and M. Alreshoodi, “Aspect-Based Sentiment Analysis: A Comprehensive Review and Open Research Challenges,” 2025, Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/ACCESS.2025.3555744.