<![CDATA[Abstrak - Program bantuan sosial merupakan instrumen penting yang diimplementasikan oleh pemerintah untuk meningkatkan kesejahteraan masyarakat dan mengurangi kesenjangan ekonomi. Studi ini bertujuan untuk menganalisis sentimen publik terhadap program bantuan sosial di Indonesia dengan memanfaatkan metode machine learning. Jaringan media sosial menyediakan data teks berupa jawaban, pandangan, dan komentar publik. Data teks mentah diproses terlebih dahulu menggunakan pembersihan teks, case folding, tokenisasi, penghapusan stop word, dan stemming sebelum analisis sentimen dilakukan. Selain itu, dua annotator menggunakan aturan anotasi yang disediakan untuk mengkategorikan data teks secara manual dengan sentimen (positif, negatif, atau netral). Tiga model machine learning—Bidirectional Encoder Representations from Transformers (BERT), Long Short-Term Memory (LSTM), dan Regresi Logistik—digunakan untuk menilai sentimen. Kinerja model diuji menggunakan metrik presisi, recall, dan F1-score untuk menentukan akurasi dan efektivitasnya. Dengan F1-score 0,93, temuan menunjukkan bahwa model BERT berkinerja terbaik dalam analisis sentimen. Analisis sentimen mengungkapkan bahwa sentimen netral mendominasi tanggapan publik terhadap program bantuan sosial, yang menunjukkan bahwa publik belum memiliki opini yang kuat, baik positif maupun negatif, terhadap program bantuan sosial. Temuan ini memberikan informasi berharga bagi para pembuat kebijakan dan pelaksana program untuk mengevaluasi program bantuan sosial secara komprehensif, mengidentifikasi area yang perlu ditingkatkan, dan meningkatkan kualitas layanan untuk memaksimalkan manfaat bagi masyarakat. Kata kunci: Logistic Regression; Machine Learning; Analisis Sentimen; Program Bantuan Sosial; Twitter; Abstract - Social assistance programs are important instruments implemented by the government to improve public welfare and reduce economic disparities. This study aims to analyze public sentiment towards social assistance programs in Indonesia by utilizing machine learning methods. Social media networks provided text data in the form of public answers, views, and comments. Raw text data was preprocessed using text cleaning, case folding, tokenization, stop word removal, and stemming before sentiment analysis was performed. Additionally, two annotators used the supplied annotation rules to manually categorize the text data with sentiment (positive, negative, or neutral). Three machine learning models—Bidirectional Encoder Representations from Transformers (BERT), Long Short-Term Memory (LSTM), and Logistic Regression—were used to assess sentiment. Model performance was tested using precision, recall, and F1-score metrics to determine their accuracy and efficacy. With an F1-score of 0.93, the findings demonstrated that the BERT model performed the best in sentiment analysis. Sentiment analysis revealed that neutral sentiment dominates public responses to social assistance programs, indicating that the public does not yet have a strong opinion, positive or negative, towards social assistance programs. This finding provides valuable information for policy makers and program implementers to comprehensively evaluate social assistance programs, identify areas that need improvement, and improve service quality to maximize benefits to the community. Keywords: Logistic Regression; Machine Learning; Sentiment Analysis; Social Assistance Program; Twitter;]]>
