Pengembangan dan Pemanfaatan Arsitektur GAN (Generative Adversarial Network) dalam AnalisisKepuasan Pengguna Aplikasi Mobile JKN = Development and Utilization of GAN (Generative Adversarial Network) Architecture in the Analysis of User Satisfaction with the Mobile JKN Application

Ketidakseimbangan data pada ulasan pengguna Mobile JKNmenyebabkan model klasifikasi cenderung bias dan gagal mengenali kelas minoritas,dengan recall awal hanya 0,30 pada model LSTM. Metode oversampling tradisionalseperti SMOTE dan SMOTEENN memberikan peningkatan terbatas dan berdampakpada penurunan performa kelas mayoritas. Penelitian ini menggunakan pendekatanResearch and Development (R&D) untuk mengembangkan arsitektur GAN yangmampu menghasilkan data sintetis teks sekuensial secara lebih representatif.Berbagai varian diuji, mulai dari model dasar hingga Conditional LSTM-GAN, danmenghasilkan arsitektur terbaik yaitu CT-VEEGANs. Hasil eksperimen menunjukkanpeningkatan recall kelas minoritas menjadi 0,62 dan akurasi keseluruhan 0,73,mengungguli SMOTE dan SMOTEENN. Integrasi label embedding, pemodelantemporal berbasis LSTM, serta variational reconstruction loop memungkinkan modelmenjaga struktur semantik dan konteks waktu. Temuan ini menunjukkan bahwa CT-VEEGANs efektif sebagai pendekatan augmentasi data untuk analisis kepuasanpengguna, sekaligus membuka peluang pengembangan dengan mekanismeattention atau model transformer.

Keyword : Data imbalance, GAN, LSTM-GAN, CT-VEEGANs, user satisfactionanalysis.