<![CDATA[Abstract. Program Makan Bergizi Gratis (MBG) is one of the Indonesian government's initiatives that has attracted significant public attention on the social media platform Twitter (X). The large volume of opinions expressed by Twitter users generates extensive textual data, making sentiment analysis necessary to identify public perceptions of the program. This study aims to analyze public sentiment toward the Free Nutritious Meals (MBG) Program using the K-Nearest Neighbors (KNN) algorithm. The results show that the K-Nearest Neighbors algorithm achieved an accuracy of 88% in classifying sentiments toward the MBG Program. For the negative sentiment class, the model obtained a precision of 0.90 and a recall of 0.97, while for the positive sentiment class, it achieved a precision of 0.61 and a recall of 0.30. The difference in performance between the two sentiment classes was influenced by the imbalanced distribution of the dataset, where negative sentiment data outnumbered positive sentiment data. Overall, the findings indicate that the K-Nearest Neighbors algorithm provides satisfactory performance in analyzing public sentiment toward the Free Nutritious Meals (MBG) Program on the Twitter (X) platform. Abstrak. Program Makan Bergizi Gratis (MBG) merupakan salah satu program pemerintah yang banyak menjadi perbincangan masyarakat di media sosial Twitter (X). Beragamnya opini yang disampaikan pengguna Twitter menghasilkan data teks dalam jumlah besar sehingga diperlukan analisis sentimen untuk mengetahui kecenderungan persepsi masyarakat terhadap program tersebut. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Program Makan Bergizi Gratis (MBG) menggunakan algoritma K-Nearest Neighbors (KNN). Hasil penelitian menunjukkan bahwa algoritma K-Nearest Neighbors memperoleh akurasi sebesar 88% dalam mengklasifikasikan sentimen terhadap Program MBG. Pada kelas sentimen negatif diperoleh nilai precision sebesar 0,90 dan recall sebesar 0,97, sedangkan pada kelas sentimen positif diperoleh precision sebesar 0,61 dan recall sebesar 0,30. Perbedaan performa tersebut dipengaruhi oleh distribusi dataset yang tidak seimbang, di mana jumlah data sentimen negatif lebih banyak dibandingkan sentimen positif. Secara keseluruhan, hasil penelitian menunjukkan bahwa algoritma K-Nearest Neighbors mampu memberikan performa yang baik dalam melakukan analisis sentimen terhadap Program Makan Bergizi Gratis (MBG) pada media sosial Twitter.]]>
