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 3: Hasil Pemodelan Topik Latent Dirichlet Allocation (LDA)

Ekstraksi 9 Topik Utama (4 Topik Sentimen Positif & 5 Topik Sentimen Negatif) dari ulasan pasien.

Optimal Coherence Score: 0.58
Topik Sentimen Positif (4 Topik)
  • Topik 1 Pelayanan Dokter & Perawat: ramah, baik, penjelas
  • Topik 2 Fasilitas & Kenyamanan: bersih, nyaman, ruang, bagus
  • Topik 3 Kepuasan Layanan Umum: puas, layanan, bantu, tanggap
  • Topik 4 Penanganan Cepat: cepat, tindak, penangan, cekatan
Topik Sentimen Negatif (5 Topik)
  • Topik 5 Antrean & Pendaftaran: antre, lama, daftar, loket
  • Topik 6 Jam Operasional & Jadwal: jam, jadwal, lambat, molor
  • Topik 7 Pengambilan Obat Farmasi: obat, antre, farmasi, racik
  • Topik 8 Layanan BPJS & Admin: bpjs, berkas, rujuk, syarat
  • Topik 9 Komunikasi Petugas: petugas, jutek, jelas, abaikan
Evaluasi Coherence Score ($k=2 \dots 9$)
Nilai koherensi puncak dicapai pada 9 jumlah topik
Distribusi Bobot Dominasi Topik (%)
Persentase kontribusi masing-masing topik dalam model LDA