Analisis Sentimen Berbasis SHAP untuk Mendukung Perencanaan Strategis Sistem Layanan M-Paspor
DOI:
https://doi.org/10.25077/TEKNOSI.v12i2.2026.340-349Kata Kunci:
Analisis Sentimen, M-Paspor, XGBoost, SHAP, Pelayanan PublikAbstrak
Transformasi digital layanan publik melalui aplikasi M-Paspor menghadapi tantangan signifikan terkait stabilitas sistem dan kepuasan pengguna. Melalui pendekatan Explainable AI, metode SHAP diimplementasikan untuk membongkar mekanisme internal algoritma XGBoost, untuk mengidentifikasi kontributor utama sentimen negatif secara visual dan terukur. Berdasarkan hasil algoritma XGBoost dengan akurasi 92%, melalui pendekatan XAI dengan metode SHAP. Penelitian ini mengintegrasikan model XGBoost dengan metode SHAP yang menghasilkan identifikasi kuantitatif fitur dominan. Kata positif yaitu “lancar” (1,80), “mantap” (1,22), “membantu” (1,02) serta kata negatif “lambat” (-0,77), “mempersulit” (-0,73), “buruk” (-0,43), yang mengindikasikan adanya kendala pada sistem verifikasi dan alur antarmuka. Temuan ini selanjutnya diformulasikan ke dalam kerangka kerja strategis yang merekomendasikan prioritas perbaikan pada aspek kecepatan respons sistem, penyederhanaan prosedur, dan stabilitas teknis, yang terbukti sebagai pemicu utama sentimen negatif pada nilai SHAP: lambat = -0,77, mempersulit = -0,73, buruk = -0,43, sehingga instansi dapat meningkatkan kualitas pelayanan publik digital secara lebih terarah dan berorientasi pada pengguna.Referensi
N. C. Ramadani, I. Tahyudin, and A. Shouni Barkah, “Perbandingan Algoritma Support Vector Machine, Decision Tree, dan Logistic Regresion Pada Analisis Sentimen Ulasan Aplikasi Netflix,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 2, pp. 110–117, Aug. 2024, doi: 10.25077/teknosi.v10i2.2024.110-117.
N. D. Kurniawan, P. R. Ferdian, and N. Hidayati, “Analisis Sentimen Algoritma Naïve Bayes, Support Vector Machine, dan Random Forest Pada Ulasan Aplikasi Ajaib,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 11, no. 1, pp. 87–97, May 2025, doi: 10.25077/teknosi.v11i1.2025.87-97.
E. T. Pardede, K. D. Tania, and M. Afrina, “Knowledge Discovery: Analisis Sentimen dan Emosi WhatsApp Business dengan Machine learning dan Deep Learning,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 11, no. 3, pp. 310–318, Jan. 2026, doi: 10.25077/teknosi.v11i3.2025.310-318.
E. Mustika Sari, C. Sabila, R. Fakhrizal Adam, and R. Kurniawan, “Analisis dan Prediksi Indeks Kualitas Udara Jakarta: Penerapan Algoritma XGBoost,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 11, no. 2, pp. 161–169, Sep. 2025, doi: 10.25077/teknosi.v11i2.2025.161-169.
L. Ashbaugh and Y. Zhang, “A Comparative Study of Sentiment Analysis on Customer Reviews Using Machine Learning and Deep Learning,” Computers, vol. 13, no. 12, Dec. 2024, doi: 10.3390/computers13120340.
M. R. Alifi, D. C. U. Lieharyani, B. P. Sudimulya, and M. R. Maulidhan, “Implementation of IndoNLU Pre-Trained Model for Aspect-Based Sentiment Analysis of Indonesian Stock News,” JURNAL TEKNIK INFORMATIKA, vol. 16, no. 2, pp. 151–160, Dec. 2023, doi: 10.15408/jti.v16i2.33791.
A. Koushik, M. Manoj, and N. Nezamuddin, “SHapley Additive exPlanations for Explaining Artificial Neural Network Based Mode Choice Models,” Transportation in Developing Economies, vol. 10, Mar. 2024, doi: 10.1007/s40890-024-00200-6.
M. T. Syamkalla, S. Khomsah, and Y. S. R. Nur, “Implementasi Algoritma Catboost Dan Shapley Additive Explanations (SHAP) Dalam Memprediksi Popularitas Game Indie Pada Platform Steam,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 4, pp. 777–786, Aug. 2024, doi: 10.25126/jtiik.1148503.
B. Widoyono, M. F. Nadhif, and R. A. Eryadi, “Evaluating Single and Hybrid Feature Selection for Rainfall Prediction Using XGBoost,” Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), vol. 9, no. 1, pp. 50–61, 2026, doi: 10.24014/ijaidm.v9i1.39110.
F. S. Shantika and Z. Abidin, “Sentiment Analysis of Jobstreet Application Reviews on Google Play Store Using Support Vector Machine Algorithm with Adaptive Synthetic,” Recursive Journal of Informatics, vol. 3, no. 1, pp. 99–107, Oct. 2025, doi: 10.15294/rji.v3i2.11891.
M. Donita Maharani, I. Gusti Ayu Agung Diatri Indradewi, and I. Nyoman Saputra Wahyu Wijaya, “Perbandingan Performa Tf-Idf dan Bow pada Analisis Sentimen BPJS Kesehatan Menggunakan XGBoost,” Jurnal Pendidikan Teknologi dan Kejuruan, vol. 23, no. 1, 2026, doi: 10.23887/jptk-undiksha.v23i1.109604.
C. Dewi, B. J. Tsai, and R. C. Chen, “Shapley Additive Explanations for Text Classification and Sentiment Analysis of Internet Movie Database,” in Communications in Computer and Information Science, Springer Science and Business Media Deutschland GmbH, 2022, pp. 69–80. doi: 10.1007/978-981-19-8234-7_6.
A. S. Iffadah, Trimono, and Dwi Arman Prasetya, “Shapley Additive Explanations Interpretation of the XGBoost Model in Predicting Air Quality in Jakarta,” Jurnal Riset Informatika, vol. 7, no. 3, pp. 119–127, Jun. 2025, doi: 10.34288/jri.v7i3.366.
S. M. Lundberg et al., “From local explanations to global understanding with explainable AI for trees,” Nat. Mach. Intell., vol. 2, no. 1, pp. 56–67, Jan. 2020, doi: 10.1038/s42256-019-0138-9.
W. Wang et al., “A User Purchase Behavior Prediction Method Based on XGBoost,” Electronics (Switzerland), vol. 12, no. 9, May 2023, doi: 10.3390/electronics12092047.
S. Hakkal and A. A. Lahcen, “XGBoost To Enhance Learner Performance Prediction,” Computers and Education: Artificial Intelligence, vol. 7, Dec. 2024, doi: 10.1016/j.caeai.2024.100254.
H. Wijaya, D. P. Hostiadi, and E. Triandini, “Optimization XGBoost Algorithm Using Parameter Tunning in Retail Sales Prediction,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 13, no. 3, Dec. 2024, doi: 10.23887/janapati.v13i3.82214.
I. Bagus Nyoman Wijana Manuaba, G. Rasben Dantes, and G. Indrawan, “Analisis Sentimen Data Provider Layanan Internet Pada Twitter Menggunakan Support Vector Machine (SVM) Dengan Penambahan Algoritma Levenshtein Distance,” Mar. 2022. doi: 10.47970/siskom-kb.v5i2.261.
N. Putu, A. Rainita, I. Md, D. Maysanjaya, and G. S. Mahendra, “Perbandingan Performa Algoritma Naive Bayes dan Support Vector Machine pada Analisis Sentimen Implementasi Program KIP-Kuliah,” Print) Jurnal TEKNOSIA, vol. 19, no. 2, pp. 76–87, doi: 10.33369/teknosia.v19i02.43479.
G. Indrawan, H. Setiawan, and A. Gunadi, “Multi-class SVM Classification Comparison for Health Service Satisfaction Survey Data in Bahasa,” HighTech and Innovation Journal, vol. 3, no. 4, pp. 425–442, Dec. 2022, doi: 10.28991/HIJ-2022-03-04-05.
I. P. Dedy, W. Darmawan, G. Aditra Pradnyana, I. Bagus, and N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” SINTECH JOURNAL, Apr. 2023, doi: doi.org/10.31598.
K. Arunika and L. J. E. Dewi, “Perbandingan Model Sarima, Exponential Smoothing, dan Xgboost untuk Prediksi Penjualan Super Store,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3S1, Oct. 2025, doi: 10.23960/jitet.v13i3S1.8173.
K. A. Wirakusuma, P. Novita, P. Dewi, and Y. E. Aryanto, “Optimasi Model Prediksi Extreme Gradient Boosting dengan Genetic Algorithm Untuk Produksi dan Produktivitas Padi,” Jurnal Ilmiah Teknik dan Ilmu Komputer, vol. 4, no. 4, pp. 378–392, 2025, doi: 10.55123/storage.v4i4.6633.
Bayu Nur Setiyono, Nadia Annisa Maori, and Teguh Tamrin, “Analisis Sentimen Ulasan Pengguna Aplikasi Threads di Google Play Menggunakan Algoritma XGBoost Dengan Penguatan SMOTE,” Jurnal Informatika Dan Tekonologi Komputer (JITEK), vol. 5, no. 2, pp. 119–130, Jul. 2025, doi: 10.55606/jitek.v5i2.6832.
N. Y. Hassan, W. H. Gomaa, G. A. Khoriba, and M. H. Haggag, “Credibility detection in Twitter using word N-gram analysis and supervised machine learning techniques,” International Journal of Intelligent Engineering and Systems, vol. 13, no. 1, pp. 291–300, Feb. 2020, doi: 10.22266/ijies2020.0229.27.
G. Feretzakis et al., “Integrating Shapley Values into Machine Learning Techniques for Enhanced Predictions of Hospital Admissions,” Applied Sciences (Switzerland), vol. 14, no. 13, Jul. 2024, doi: 10.3390/app14135925.
J. H. Choi, Y. Choi, K. S. Lee, K. H. Ahn, and W. Y. Jang, “Explainable Model Using Shapley Additive Explanations Approach on Wound Infection after Wide Soft Tissue Sarcoma Resection: ‘Big Data’ Analysis Based on Health Insurance Review and Assessment Service Hub,” Medicina (Lithuania), vol. 60, no. 2, Feb. 2024, doi: 10.3390/medicina60020327.
Y. Bugayenko et al., “Prioritizing tasks in software development: A systematic literature review,” PLoS One, vol. 18, no. 4 April, Apr. 2023, doi: 10.1371/journal.pone.0283838.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 