PENERAPAN MACHINE LEARNING UNTUK ANALISIS SENTIMEN PROGRAM MBG PADA PLATFORM X DAN YOUTUBE

Putra Muamar Kadafi; Hildan Zafa Riyadi; Raka Satria Gumilang Raya; Ika Kurniawati; Waeisul Bismi; Riza Fahlapi

doi:10.31949/infotech.v12i1.17472

Authors

Putra Muamar Kadafi Universitas Bina Sarana Informatika, Indonesia
Hildan Zafa Riyadi Universitan Bina Sarana Informatika, Indonesia
Raka Satria Gumilang Raya Universitas Bina Sarana Informatika, Indonesia
Ika Kurniawati Universitas Bina Sarana Informatika, Indonesia
Waeisul Bismi Universitas Bina Sarana Informatika, Indonesia
Riza Fahlapi Universitas Bina Sarana Informatika, Indonesia

DOI:

https://doi.org/10.31949/infotech.v12i1.17472

Abstract

Program Makan Bergizi Gratis (MBG) merupakan kebijakan nasional yang bertujuan meningkatkan kualitas gizi anak sekolah dan menekan angka stunting. Implementasi program ini menimbulkan beragam respons di media sosial yang mencerminkan persepsi publik terhadap efektivitas kebijakan. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap Program MBG berdasarkan data dari platform X dan YouTube serta membandingkan kinerja model Support Vector Machine (SVM), Random Forest, dan Long Short-Term Memory (LSTM). Data dikumpulkan melalui teknik web scraping dan diproses melalui tahapan pra-pemrosesan dan ekstraksi fitur menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), ulasan dikategorikan menjadi 3 kelas sentimen positif, negatif, dan netral. Evaluasi model diukur menggunakan metrik akurasi, presisi, recall, dan F1-score. Model Random Forest menunjukkan kinerja yang unggul, mencapai akurasi, sebesar 87,2%. LSTM memperoleh performa yang cukup tinggi dengan akurasi, recall, dan recall sebesar 81,8% serta 81,7 untuk F1-score. Sementara SVM memiliki performa yang rendah dibanding kedua model lainnya, dengan akurasi, presisi, recall, dan F1-score sebesar 79,1%. Hasil studi menunjukkan bahwa Random Forest terbukti lebih stabil terhadap variasi data seperti teks dan penanganan data tidak seimbang, serta lebih tahan terhadap overfitting. Studi ini diharapkan dapat memberikan tinjauan komparatif dari tiga algoritma populer untuk analisis sentimen dan dapat digunakan sebagai referensi untuk memilih metode klasifikasi untuk ulasan bebahasa Indonesia.

Keywords:

Analisis sentimen, Makan Bergizi Gratis, Masyarakat

Downloads

Download data is not yet available.

References

Alsaber, A. R., Pan, J., & Al-Hurban, A. (2021). Handling complex missing data using random forest approach for an air quality monitoring dataset: a case study of Kuwait environmental data (2012 to 2018). International Journal of Environmental Research and Public Health, 18(3), 1333.

Dermawan, S., Ayunda, A. T., Informasi, S., Sains, F., & Pradita, U. (2025). Sentiment Analysis of Coretax on Social Media X Using Naive Bayes , SVM , and LSTM for Service Improvement. Journal of Applied Informatics and Computing (JAIC), 9(6), 3177–3190.

Feldman, R., & Sanger, J. (2007). The text mining handbook: advanced approaches in analyzing unstructured data. Cambridge university press.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

Herniati, N., & Hamzanwadi Pancor Lombok Timur, I. (2025). Efektivitas Program Pemerintah MBG (Makan Bergizi Gratis ) Terhadap Minat Belajar Anak Usia Dini. Jurnal Pendidikan Aura, 6(1), 1–11. https://doi.org/10.37216/aura.v6i1.2484

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.

Indrajat, H., Maryanah, T., Marta, A., & others. (2025). Analysis of Public Opinion on Social Media X and YouTube on the Results of the 2024 Presidential Election. Jurnal Terekam Jejak, 3(2), 1–10.

Kurniawati, I., & Pardede, H. F. (2018). Hybrid Method of Information Gain and Particle Swarm Optimization for Selection of Features of SVM-Based Sentiment Analysis. 2018 International Conference on Information Technology Systems and Innovation, ICITSI 2018 - Proceedings, 1–5. https://doi.org/10.1109/ICITSI.2018.8695953

Makhtum, A. R., & Muhajir, M. (2023). SENTIMENT ANALYSIS OF OMNIBUS LAW USING SUPPORT VECTOR MACHINE ( SVM ) WITH LINEAR KERNEL. BAREKENG: Journal of Mathematics and Its Applications, 17(4), 2197–2206. https://doi.org/https://doi.org/10.30598/barekengvol17iss4pp2197-2206

Mariska, I. V., Meiriza, A., & Lestarini, D. (2025). Comparison of Support Vector Machine and Random Forest Algorithms in Sentiment Analysis of the JMO Mobile Application. Journal of Applied Informatics and Computing, 9(5), 2533–2540.

Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113.

Mukarom et al., 2026. (2026). ANALISIS SENTIMEN BERBASIS ASPEK TERHADAP PROGRAM “MAKAN BERGIZI GRATIS (MBG)” DI TWITTER/X DENGAN PENDEKATAN EFEKTIVITAS DUNCAN. Pediaqu: Jurnal Pendidikan Sosial Dan Humaniora, 5(1), 18.

Nugraha, A. F. (2022). Naïve Bayes dan Support Vector Machine Berbasis PSO untuk Seleksi Fitur pada Sentiment Analysis. Innovation in Research of Informatics (INNOVATICS), 4(2), 56–61. https://doi.org/10.37058/innovatics.v4i2.5291

Nugroho, D. C., Agustina, A. D., Maulana, B., Darussalam, F., Lubis, B. O., Bina, U., Informatika, S., & Depok, K. (2025). PENERAPAN METODE SUPPORT VECTOR MACHINE UNTUK ANALISIS SENTIMEN PUBLIK PADA PROGRAM MAKAN BERGIZI GRATIS. INFOTECH Journal, 11(2), 474–479. https://doi.org/https://doi.org/10.31949/infotech.v11i2.16781

Nurwanda, N., Suarna, N., & Prihartono, W. (2024). Penerapan Nlp (Natural Language Processing) Dalam Analisis Sentimen Pengguna Telegram Di Playstore. JATI (Jurnal Mahasiswa Teknik Informatika), 8(2), 1841–1846.

Pisner, D. A., & Schnyer, D. M. (2020). Support vector machine. In Machine learning (pp. 101–121). Elsevier.

Rahman, M. Z., Sari, Y. A., & Yudistira, N. (2021). Analisis Sentimen Tweet COVID-19 menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 5(11), 5120–5127.

Rahmatullah, M. R. F., Andono, P. N., Soeleman, M. A., & others. (2025). Improving Random Forest Performance for Sentiment Analysis on Unbalanced Data Using SMOTE and BoW Integration: PLN Mobile Application Case Study. Scientific Journal of Informatics, 12(1), 1–10.

Ramanda, M. D., Restiyan, R. D., & Irsyad, H. (2024). Analisis Sentimen Masyarakat terhadap Perilaku Lawan Arah yang diunggah pada Media Sosial Youtube Menggunakan Na{"i}ve Bayes. BANDWIDTH: Journal of Informatics and Computer Engineering, 2(2), 75–83.

Schultz, L., Ruel-bergeron, J., & Ruel-bergeron, J. (2021). Considerations for Monitoring School Health and Nutrition Programs. 9(July). https://doi.org/10.3389/fpubh.2021.645711

Tamami, G., & Arifin, M. (2024). Penggunaan LSTM dalam Membangun Prediksi Penjualan untuk Aplikasi Laptop Lens. JURNAL FASILKOM, 14(2), 301–308.

Tamami, G., Triyanto, W. A., & Muzid, S. (2025). Sentiment Analysis Mobile JKN Reviews Using SMOTE Based LSTM. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 19(1), 13–24. https://doi.org/https://doi.org/10.22146/ijccs.101910

Tsaqif, M. A., & Maharani, W. (2025). Comparison of Random Forest and Decision Tree Methods for Emotion Classification based on Social Media Posts. Building of Informatics, Technology and Science (BITS), 6(4), 2240–2248. https://doi.org/10.47065/bits.v6i4.6677

Utami, H. (2022). Analisis Sentimen dari Aplikasi Shopee Indonesia Menggunakan Metode Recurrent Neural Network. Indonesian Journal of Applied Statistics, 5(1), 31–38.

Wayan, N., Juliandewi, I., Kusuma, A. S., Martina, K., Putri, D., & Gusti, I. (2024). Comparison of Naïve Bayes and Random Forest in Sentiment Analysis of State-Owned Banks Management by Danantara on X and YouTube. Indonesian Journal of Data and Science, 6(3), 527–537. https://doi.org/doi.org/10.56705/ijodas.v6i3.366