<![CDATA[Kebijakan Program Makan Bergizi Gratis (MBG) pemerintah memicu perdebatan publik di platform TikTok. Penelitian ini bertujuan mengklasifikasikan sentimen opini publik terhadap kebijakan MBG ke dalam kelas positif dan negatif dengan membandingkan algoritma Multinomial Naive Bayes dan Support Vector Machine (SVM) menggunakan ekstraksi fitur CountVectorizer. Dataset sebanyak 4.000 komentar dikumpulkan melalui Apify dari empat akun berita resmi nasional. Pelabelan awal dilakukan secara otomatis menggunakan InSet Lexicon dan divalidasi secara manual oleh anotator manusia sebagai gold standard untuk mengurangi bias makna kata informal. Hasil pelabelan menunjukkan dominasi sentimen positif sebesar 89,60% dan negatif sebesar 10,40%. Pengujian dengan rasio split data 80:20 menunjukkan bahwa SVM kernel linear menghasilkan akurasi tertinggi sebesar 99,12%, sedangkan Naive Bayes mencapai 91,62%. Pengujian lintas skenario menunjukkan Naive Bayes lebih rentan terhadap penurunan kinerja, dengan akurasi terendah 72,70% pada skenario undersampling dan tiga kelas, sementara SVM tetap stabil di atas 95%. Analisis WordCloud menunjukkan sentimen positif didominasi optimisme terhadap pemerintah, sedangkan sentimen negatif menyoroti risiko korupsi anggaran. Keterbatasan penelitian meliputi kesulitan model memahami konteks kalimat, kata informal, dan sarkasme. Hasil penelitian menunjukkan bahwa SVM lebih efektif dan stabil untuk klasifikasi sentimen teks TikTok yang tidak seimbang, memberikan kinerja konsisten pada berbagai skenario pengujian.]]>
Copyrights © 2026
