Slamet Endro Prianto
Magister Ilmu Komputer, Fakultas Ilmu Komputer, Universitas Amikom Purwokerto, Indonesia

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

Found 1 Documents
Search

Analisis Sentimen Program Makan Bergizi Gratis Menggunakan Random Forest dan Support Vector Machine dengan Penyeimbangan Data Berbasis SMOTE Slamet Endro Prianto; Berlilana Berlilana; Rujianto Eko Saputro
Jurnal Pendidikan dan Teknologi Indonesia Vol 6 No 2 (2026): JPTI - Februari 2026
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.1491

Abstract

Sentimen publik yang diekspresikan melalui media sosial telah menjadi sumber data penting untuk mengevaluasi kebijakan publik, termasuk Program Makan Bergizi Gratis (MBG). Namun, analisis sentimen pada data teks terkait kebijakan menghadapi tantangan utama karena fitur tekstual berdimensi tinggi, kompleksitas linguistik, serta distribusi kelas yang tidak seimbang. Permasalahan ini dapat menyebabkan kinerja model menjadi bias dan menghasilkan interpretasi kebijakan yang kurang akurat apabila tidak ditangani dengan tepat. Penelitian ini bertujuan untuk mengevaluasi kinerja Random Forest (RF) dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen publik terhadap MBG serta menilai efektivitas SMOTE dalam menangani ketidakseimbangan kelas. Penelitian ini menggunakan pendekatan kuantitatif dengan 2.349 tweet yang dikumpulkan dari platform X (Twitter). Data dipraproses melalui tahapan pembersihan teks (text cleaning), case folding, tokenisasi, normalisasi, penghapusan stopword, dan stemming. Ekstraksi fitur dilakukan menggunakan TF-IDF. Klasifikasi sentimen dilakukan menggunakan model RF dan SVM pada kondisi data tidak seimbang dan data yang telah diseimbangkan. Kinerja model dievaluasi menggunakan metrik akurasi, presisi, recall, dan macro-average F1-score. Hasil penelitian menunjukkan bahwa baik RF maupun SVM menghasilkan kinerja klasifikasi yang relatif rendah, dengan nilai akurasi dan macro-average F1-score berkisar antara 0,32 hingga 0,34. Penerapan SMOTE mampu memperbaiki distribusi kelas dan mengurangi bias prediksi, namun peningkatan kinerja secara keseluruhan masih bersifat marginal. Untuk data teks, SMOTE tidak selalu meningkatkan representasi makna secara signifikan, karena proses oversampling menghasilkan data sintetis yang didasarkan pada ruang fitur numerik tanpa mempertimbangkan konteks semantik kalimat. SVM menunjukkan kinerja yang lebih stabil dibandingkan RF, terutama dalam menangani fitur teks yang berdimensi tinggi dan bersifat sparse. Temuan ini menunjukkan bahwa penyeimbangan data saja belum cukup untuk secara signifikan meningkatkan kinerja klasifikasi sentimen. Karakteristik data teks yang kompleks, seperti variasi bahasa informal, singkatan, dan ekspresi pendapat yang ambigu dalam media sosial, juga menyebabkan keterbatasan peningkatan kinerja. Penelitian ini menekankan pentingnya mengombinasikan teknik penyeimbangan data dengan model semantik kontekstual guna meningkatkan kualitas analisis sentimen dalam evaluasi kebijakan publik. Metode berbasis fitur seperti TF-IDF dapat memberikan representasi makna yang lebih kaya, sehingga dapat meningkatkan kapasitas model untuk memahami konteks opini publik terhadap kebijakan.