Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI)
Stella Maris
Universitas Bina Sarana Informatika
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Naive Bayes, SVM, dan IndoBERT untuk Analisis Sentimen Publik terhadap Program Makan Bergizi Gratis pada Komentar YouTube Stella Maris; Windi Irmayani; Muhammad Ifan Rifani Ihsan
Jurnal Komputer Teknologi Informasi Sistem Komputer (JUKTISI) Vol. 5 No. 2 (2026): September 2026
Publisher : LKP KARYA PRIMA KURSUS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62712/juktisi.v5i2.1416

Abstract

Pelaksanaan Program Makan Bergizi Gratis (MBG) pada tahun 2025 dialokasikan anggaran sebesar Rp171 triliun dengan target 82,9 juta penerima manfaat, namun realisasi awal yang tercatat baru mencapai Rp3 triliun untuk 3,98 juta orang. Kesenjangan target pelaksanaan dan tantangan di lapangan tersebut memicu berbagai opini publik pada platform digital seperti YouTube. Studi ini menganalisis sentimen publik terhadap Program MBG dengan membandingkan efektivitas algoritma Naive Bayes, Support Vector Machine (SVM), dan IndoBERT menggunakan 6.419 komentar YouTube dari Kaggle. Metodologi penelitian meliputi preprocessing teks, pelabelan sentimen sberbasis Lexicon, pembagian data, ekstraksi fitur (TF-IDF dan IndoBERT Tokenizer), penerapan SMOTE pada Naive Bayes dan SVM, serta evaluasi kinerja model. Hasil pelabelan awal menunjukkan adanya ketidakseimbangan data yang didominasi oleh kelas netral sebesar 72,9%, diikuti kelas negatif sebesar 15,0%, dan kelas positif sebesar 12,1%. Setelah dilakukan penanganan menggunakan metode SMOTE, distribusi kelas pada data training menjadi seimbang guna mengoptimalkan proses pembelajaran model Naive Bayes dan SVM. Berdasarkan evaluasi akhir eksperimen, IndoBERT mencatatkan kinerja paling superior dengan nilai accuracy tertinggi mencapai 97,35%, mengungguli SVM sebesar 95,72% dan Naive Bayes sebesar 65,11%. Kesimpulannya, pendekatan context-aware pada model IndoBERT serta penanganan data sebelum pemodelan sangat efektif dan andal dalam memetakan persepsi serta kekhawatiran masyarakat terhadap efisiensi pelaksanaan Program Makan Bergizi Gratis.
Co-Authors Muhammad Ifan Rifani Ihsan Windi Irmayani