Analisis Sentimen Ulasan Pengguna Aplikasi Halodoc Di Google Playstore menggunakan metode BI-LSTM Dengan Ekstraksi Fitur Word2vec

Perkembangan teknologi informasi mendorong meningkatnya penggunaan layanan kesehatan digital seperti aplikasi Halodoc yang menyediakan layanan kesehatan secara daring. Banyaknya pengguna menghasilkan ulasan dalam jumlah besar pada Google Playstore yang dapat digunakan untuk mengevaluasi kualitas layanan, namun data yang tidak terstruktur membuat analisis manual menjadi tidak efektif. Penelitian ini bertujuan untuk menganalisis sentimen ulasan pengguna aplikasi Halodoc menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM) dengan ekstraksi fitur Word2Vec serta membandingkan performa model dengan dan tanpa penerapan Synthetic Minority Over-sampling Technique (SMOTE). Data penelitian berupa ulasan periode 2025–2026 yang dikumpulkan melalui web crawling dan dilabeli menjadi tiga kelas sentimen, yaitu positif, netral, dan negatif. Tahap preprocessing meliputi cleaning, case folding, tokenization, normalisasi, stopword removal, dan stemming. Teks kemudian direpresentasikan menggunakan Word2Vec dengan pendekatan CBOW dan Skip-gram sebelum diklasifikasikan menggunakan BiLSTM. Hasil penelitian menunjukkan bahwa model dengan SMOTE dan CBOW memberikan kinerja terbaik dalam menyeimbangkan klasifikasi seluruh kelas sentimen. Meskipun akurasi sedikit menurun menjadi 90% dibandingkan 95% pada model tanpa SMOTE, Macro Recall meningkat menjadi 70% dan Macro F1-Score menjadi 63%. Hal ini menunjukkan peningkatan kemampuan model dalam mengenali kelas minoritas seperti sentimen netral dan negatif. Evaluasi dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Secara keseluruhan, kombinasi Word2Vec dan BiLSTM dengan SMOTE efektif untuk analisis sentimen ulasan aplikasi Halodoc.