Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Arya Ghufron Al Bayhaqy Izhar
Universitas Bina Sarana Informatika
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

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

Found 1 Documents
Search

 1 
Analisis Sentimen terhadap Program Makan Bergizi Gratis di Platform X dengan SVM Arya Ghufron Al Bayhaqy Izhar; Haryanto Haryanto; Harun Al Rasyid
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.14348

Abstract

Program Makan Bergizi Gratis (MBG) merupakan program nasional yang memicu beragam tanggapan masyarakat di media sosial, termasuk di platform X. Penelitian ini bertujuan mengklasifikasikan sentimen publik terhadap program MBG di platform X menggunakan algoritma Support Vector Machine (SVM) serta mengevaluasi model yang dihasilkan. Sebanyak 8.820 tweet yang terbit pada Februari 2024 sampai April 2026 dikumpulkan melalui web scraping dengan Tweet Harvest. Teks diproses melalui tahap cleaning, case folding, tokenizing, filtering stopword, dan stemming, kemudian diberi label positif, negatif, atau netral menggunakan leksikon InSet sehingga diperoleh 5.022 tweet negatif, 3.283 positif, dan 515 netral. Fitur diekstraksi dengan TF-IDF dan data dibagi menjadi data latih dan data uji dengan rasio 80:20. Synthetic Minority Over-sampling Technique (SMOTE) diterapkan hanya pada data latih untuk mengatasi ketidakseimbangan kelas sehingga data latih bertambah dari 7.056 menjadi 12.054 tweet, sedangkan data uji tidak diubah, dan model SVM dibangun dengan kernel linear. Evaluasi pada 1.764 tweet data uji menggunakan confusion matrix menghasilkan akurasi 80,95%. Model bekerja baik pada kelas negatif (F1-score 87,59%) dan kelas positif (F1-score 80,09%), tetapi lemah pada kelas netral (recall 23,30%; F1-score 22,64%). Hasil ini menunjukkan bahwa SVM dengan fitur TF-IDF mampu mengklasifikasikan sentimen terhadap program MBG di platform X dengan baik pada kelas dominan, sedangkan pengenalan kelas netral yang minoritas masih perlu ditingkatkan.
Co-Authors Harun Al Rasyid Haryanto Haryanto