PIESCEScare Evaluasi Mutu Layanan Rumah Sakit (Framework PIECES & LDA Topic Modeling)

Tahapan & Metodologi Analisis

Alur Pipeline: Preprocessing Teks → Klasifikasi Sentimen SVM → Pemodelan Topik LDA → Pemetaan PIECES

Total Dataset: 2218 Ulasan Pasien
Tahap 2: Hasil Klasifikasi Sentimen Support Vector Machine (SVM)
Akurasi (80:20)

95.05%

Fitur Vocabulary

1.814

Sentimen Positif

1.669

Sentimen Negatif

549

Distribusi Confusion Matrix (Split 80:20)
Hasil klasifikasi 444 sampel data uji
Perbandingan Akurasi Variasi Split Data
Pengujian kestabilan model pada rasio data latih : data uji