Analisis Sentimen Berbasis SHAP untuk Mendukung Perencanaan Strategis Sistem Layanan M-Paspor
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.