Mobile JKN merupakan aplikasi yang dibuat oleh Badan Penyelenggara Jaminan Sosial (BPJS) Kesehatan untuk memberikan pelayanan berbasis digital kepada peserta Jaminan Kesehatan Nasional-Kartu Indonesia Sehat (JKN-KIS). Sebagai aplikasi dengan jumlah pengunduh terbanyak dari kategori kedokteran, kepuasan pengguna menjadi hal yang penting untuk diperhatikan. Untuk memperoleh gambaran menyeluruh dan terperinci mengenai kepuasan pengguna, dapat dilakukan pendekatan analisis sentimen level topik. Pendekatan analisis sentimen level topik dilakukan dengan menggabungkan metode analisis sentimen dan pendeteksian topik. Penelitian terdahulu menunjukkan model neural network berbasis Bidirectional Encoder Representations from Transformers (BERT-NN) menggungguli kinerja metode lain untuk analisis sentimen. Selanjutnya, BERT juga menunjukkan dapat meningkatkan performa model clustering Eigenspace based Fuzzy C-Means (EFCM). Namun, penggabungan BERT dan EFCM untuk pendeteksian topik tidak berbasis deep learning. Penelitian ini melakukan pendeteksian topik berbasis fully neural network menggunakan Deep Embedded Clustering (DEC). Hasil dari model BERT-DEC dibandingkan dengan BERT-EFCM menggunakan metrik evaluasi topic coherence (TC-W2V). Hasil penelitian menunjukkan BERT-NN mencapai akurasi sebesar 98% untuk analisis sentimen. Pada pendeteksian topik, BERT-DEC mampu mengungguli metode pembandingnya dengan nilai topic coherence sebesar 0,23428 untuk 4 topik utama. Hasil analisis sentimen level topik ini dapat menjadi bahan referensi untuk perbaikan aplikasi yang diharapkan dapat meningkatkan kepuasan pengguna.

---

Mobile JKN is an application created by the Health Insurance Agency (BPJS Kesehatan) to provide digital-based services to participants of the National Health Insurance (JKN KIS). As an application with the most downloads from the medical category, user satisfaction is an important thing to consider. To obtain a comprehensive and detailed picture of user satisfaction, a topic-level sentiment analysis approach can be used. The topic-level sentiment analysis approach combines sentiment analysis and topic detection methods. Previous research has demonstrated that a Bidirectional Encoder Representations from Transformers (BERT) based neural network model outperforms other sentiment analysis methods. In addition, BERT improved the performance of the Eigenspace-based Fuzzy C-Means (EFCM) clustering model. However, the combination of BERT and EFCM for topic detection is not based on deep learning. This study proposes topic detection based on a fully neural network using Deep Embedded Clustering (DEC). The results of the BERT-DEC model were compared with BERT-EFCM using the topic coherence evaluation metric (TC-W2V). The results of the study show that BERT-NN achieved an accuracy of 98% for sentiment analysis. In topic detection, BERT-DEC outperformed its comparative methods with a topic coherence value of 0.23428 for 4 main topics. The results of this topic-level sentiment analysis can be used as reference material for application improvements that are expected to increase user satisfaction.