Aulia Karima, Dzakiah
Unknown Affiliation

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

Found 1 Documents
Search

ANALISIS SENTIMEN PROGRAM MAKAN SIANG GRATIS DALAM MENDUKUNG SDGS MENGGUNAKAN NAÏVE BAYES Tsabitah, Laila; Aulia Karima, Dzakiah; Diva Putri Munaspin, Zahra; Merisca Titiana, Nuke; Fathoni, Fathoni
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 4 (2025): JATI Vol. 9 No. 4
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i4.14060

Abstract

Program Makan Siang Gratis merupakan langkah strategis pemerintah dalam upaya meningkatkan asupan gizi anak-anak sekolah. Inisiatif ini menarik perhatian publik dan banyak dibahas di media sosial, namun belum banyak dilakukan kajian mendalam terhadap opini masyarakat dari data tidak terstruktur seperti ulasan daring, khususnya yang dikaitkan dengan pencapaian Tujuan Pembangunan Berkelanjutan (SDGs), yakni SDG 2 (Tanpa Kelaparan) dan SDG 3 (Kesehatan yang Baik dan Kesejahteraan). Penelitian ini bertujuan untuk mengevaluasi sentimen publik terhadap program tersebut sebagai dasar dalam analisis kebijakan berbasis data. Metode yang digunakan adalah algoritma klasifikasi Naïve Bayes dengan memanfaatkan 656 ulasan dari platform Kaggle yang telah diproses melalui tahapan preprocessing dan transformasi fitur menggunakan TF-IDF. Dataset kemudian diuji dalam tiga skenario pembagian data latih dan data uji untuk mengukur performa model. Hasil evaluasi menunjukkan tingkat akurasi sebesar 89,93%, presisi 88,64%, recall 89,93%, dan F1-score 86,42%, dengan mayoritas sentimen bersifat positif sebesar 89,9%, sementara sentimen negatif sebesar 7,9% dan netral 2,3%. Temuan ini mengindikasikan respons positif masyarakat terhadap implementasi Program Makan Siang Gratis, yang turut mendukung pemenuhan kebutuhan gizi anak sekolah. Meski begitu, akurasi dalam mengklasifikasikan sentimen negatif dan netral masih perlu ditingkatkan guna menghasilkan model yang lebih optimal.