Analisis Sentimen Multikelas Program Makan Bergizi Gratis di Media Sosial X Menggunakan VaderSentiment dan SVM Berbasis Oversampling SMOTE
-
Mohamad Hegar Sukmana Wibowo
*
Universitas Pelita Bangsa, Kota Bekasi,
Indonesia
- Muhammad Fatchan Universitas Pelita Bangsa, Kota Bekasi, Indonesia
- Asep Supriyanto Universitas Pelita Bangsa, Kota Bekasi, Indonesia (*) Corresponding Author
Abstract
Media sosial X (Twitter) menjadi ruang diskusi publik yang menghasilkan data opini masyarakat secara real-time terhadap berbagai kebijakan pemerintah, termasuk Program Makan Bergizi Gratis (MBG). Analisis sentimen terhadap kebijakan publik umumnya masih terbatas pada klasifikasi biner serta belum optimal dalam menangani ketidakseimbangan distribusi data. Penelitian ini bertujuan membangun model analisis sentimen multikelas terhadap opini masyarakat mengenai Program MBG dengan mengintegrasikan VaderSentiment sebagai metode ekstraksi fitur, Support Vector Machine (SVM) sebagai algoritma klasifikasi, dan Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi imbalanced dataset. Penelitian menggunakan pendekatan kuantitatif dengan metode eksperimental. Data berupa tweet berbahasa Indonesia yang relevan dengan MBG dikumpulkan melalui teknik crawling. Tahapan pengolahan data meliputi preprocessing seperti cleaning, case folding, tokenizing, dan stopword removal. Skor sentimen yang dihasilkan oleh VaderSentiment digunakan sebagai fitur numerik dalam proses klasifikasi SVM. Selanjutnya, teknik SMOTE diterapkan pada data latih untuk menyeimbangkan distribusi kelas sentimen positif, netral, dan negatif. Evaluasi model dilakukan menggunakan confusion matrix serta metrik akurasi, precision, recall, dan F1-score. Penelitian ini diharapkan menunjukkan bahwa kombinasi VaderSentiment, SVM, dan SMOTE mampu meningkatkan kinerja klasifikasi sentimen multikelas dibandingkan kondisi sebelum penyeimbangan data. Secara metodologis, penelitian ini berkontribusi pada pengembangan analisis sentimen berbasis machine learning, serta secara praktis mendukung evaluasi kebijakan publik berbasis data melalui pemanfaatan opini masyarakat di media sosial.
Downloads
References
A. S. Manah, “Analisis Sentimen Publik Terhadap Kasus Keracunan Makanan MBG Berbasis Data Media Sosial Menggunakan Model Indobert,” J. Inform. dan Tek. Elektro Terap., vol. 14, no. 2, 2026.
T. Yuniarti and B. Andriza, “Analisis Sentimen Dan Opini Publik: Evaluasi Komunikasi Media Sosial Instagram Tim Kepresidenan@ Pco. Ri Dalam Menangani Kontroversi Program Makan Bergizi Gratis (MBG),” J. Ilmu Komun. UHO J. Penelit. Kaji. Ilmu Komun. dan Inf., vol. 11, no. 1, pp. 200–215, 2026.
M. S. Arum and A. Hendrawan, “Analisis Sentimen Komentar YouTube Terhadap Program Makan Bergizi Gratis (MBG) Menggunakan Long Short-Term Memory (LSTM),” KETIK J. Inform., vol. 3, no. 03, pp. 121–129, 2026.
M. D. Anggraeni, A. C. Yudiananta, A. H. Arifin, and W. Arifin, “Analisis Sentimen Masyarakat Terhadap Permasalahan Keracunan Program Makan Bergizi Gratis (MBG) pada Sosial Media ‘X,’” TRANSFORMASI, vol. 21, no. 2, 2025.
D. A.-T. Mukarom, G. P. Pangestu, M. F. Margadipraja, and H. M. Winata, “ANALISIS SENTIMEN BERBASIS ASPEK TERHADAP PROGRAM ‘MAKAN BERGIZI GRATIS (MBG)’ DI TWITTER/X DENGAN PENDEKATAN EFEKTIVITAS DUNCAN,” J. Pendidik. Sos. dan Hum., vol. 5, no. 1, pp. 1890–1907, 2026.
M. E. Zainuri, “Analisis Sentimen Program Makan Bergizi Gratis (MBG) Pada Platform X Dengan Menggunakan Metode Naïve Bayes,” J. Univ. Din., 2026.
F. A. Hakim, I. W. D. Prastya, and J. R. Budiani, “Sentiment Analysis of the Free Nutritious Meal Program (MBG) on Social Media X (Twitter) Using K-Nearest Neighbor and Artificial Neural Network,” J. Appl. Informatics Comput., vol. 10, no. 1, pp. 865–876, 2026.
R. Hidayat and D. J. Ratnaningsih, “Analisis Sentimen Program Mbg Menggunakan Algoritma Random Forest Dan Naive Bayes,” J. Comput. Informatics Res., vol. 5, no. 1, pp. 395–400, 2025.
S. Chairani Siregar, R. T. Adek, and Z. Fitri, “Sentiment Analysis of Comments on Youtube Channel Beauty Vlogger in Indonesian Language Using Support Vector Machine Method,” J. Akuntansi, Audit dan Sist. Inf. Akunt., vol. 2, no. 3, pp. 1–6, 2024, doi: 10.29103/icomden.v2.xxxx.
Pahrul, “Skripsi perbandingan metode klasifikasi random forest, xgboost dan svm pada analisis sentimen aplikasi kredit dan pinjaman online,” J. Ilk. Hasanuddin, vol. 3, no. 2, pp. 60–69, 2023.
F. Saefulloh, “Analisis Sentimen Masyarakat Terhadap E-Commerce Pada Media Sosial Twitter Menggunakan Metode Support Vector Machine (Svm) (Studi Kasus Shopee Dan Tokopedia),” S1 thesis, Univ. Muhammadiyah Purwokerto, vol. 8, no. 2502, pp. 79–88, 2023.
W. R. Muntaza, “Analisis Sentimen Tanggapan Masyarakat Terhadap Program Makan Bergizi Gratis Pada Platform YouTube Menggunakan SVM,” in Seminar Nasional Teknologi & Sains, 2026, pp. 297–302.
D. Triully Prasetyo and Atiqah Meutia Hilda, “Metode Support Vector Machine Untuk Analisis Sentimen Aplikasi Threads di Google Play Store,” Indones. J. Comput. Sci., vol. 13, no. 5, pp. 76–83, 2024, doi: 10.33022/ijcs.v13i5.4446.
H. Farman, M. A. Hussain, S. Hassan, S. Shaikh, and K. Ali, “Activation function impact on rainfall prediction: comparative insights across ML and DL architectures,” Model. Earth Syst. Environ., vol. 11, no. 6, 2025, doi: 10.1007/s40808-025-02630-6.
H. Hidayat, F. Santoso, and L. F. Lidimillah, “Analisis Sentimen Pengguna YouTube Tentang Rohingya Menggunakan Algoritma SVM (Support Vector Machine),” G-Tech J. Teknol. Terap., vol. 8, no. 3, pp. 1729–1738, 2024, doi: 10.33379/gtech.v8i3.4497.
S. Howay and S. Suhirman, “Comparison of SVM, NBC, and KNN Classification Methods in Determining Students’ Majors at SMK N02 Manokwari,” J. Comput. Sci. Technol. Stud., vol. 5, no. 1, pp. 15–23, 2023, doi: 10.32996/jcsts.2023.5.1.3.
E. Damayanti, A. V. Vitianingsih, S. Kacung, and D. Cahyono, “Sentiment Analysis of Alfagift Application User Reviews Using Long Short-Term Memory ( LSTM ) and Support Vector Machine ( SVM ) Methods,” J. Decod., vol. 4, no. 2, pp. 509–521, 2024.
T. Z. Jasman, M. A. Fadhlullah, A. L. Pratama, and R. Rismayani, “Analisis Algoritma Gradient Boosting, Adaboost dan Catboost dalam Klasifikasi Kualitas Air,” J. Tek. Inform. dan Sist. Inf., vol. 8, no. 2, pp. 392–402, 2022, doi: 10.28932/jutisi.v8i2.4906.
A. Widodo, B. Agus Herlambang, and R. Renaldy, “Optimizing Support Vector Machine (SVM) for Sentiment Analysis of Blu by BCA Reviews with Chi-Square,” 2025.
A. Nur, A. Saputra, R. E. Saputro, and S. Saputra, “Enhancing Sentiment Analysis Accuracy Using SVM and Slang Word Normalization on YouTube Comments,” J. dan Penelit. Tek. Inform., vol. 9, no. 2, 2025, doi: 10.33395/sinkron.v9i2.14513.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Analisis Sentimen Multikelas Program Makan Bergizi Gratis di Media Sosial X Menggunakan VaderSentiment dan SVM Berbasis Oversampling SMOTE
Pages: 259-273
Copyright (c) 2026 Mohamad Hegar Sukmana Wibowo, Muhammad Fatchan, Asep Supriyanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
