PERBANDINGAN METODE NAÏVE BAYES DAN K-NEAREST NEIGHBOR TERHADAP ANALISIS SENTIMEN ULASAN PROGRAM MAKAN SIANG GRATIS DI INDONESIA

Abstract

Program Makan Siang Gratis di Indonesia sebagai kebijakan kontroversial memicu respons beragam di media sosial, sehingga analisis sentimen diperlukan untuk memahami persepsi publik secara komprehensif. Permasalahan utama terletak pada keterbatasan metode klasifikasi dalam menangani data teks informal, yang berpotensi membuat akurasi identifikasi menurun. Penelitian ini bertujuan membandingkan kinerja algoritma Naïve Bayes dan K-Nearest Neighbor (K-NN) dalam mengklasifikasikan sentimen ulasan masyarakat terhadap program tersebut. Sebanyak 2.080 komentar dari X (Twitter) dan YouTube dikumpulkan melalui web scraping, kemudian diproses dengan tahapan cleaning (penghapusan mention, URL), penghapusan stopwords, tokenisasi, dan transformasi fitur menggunakan TF-IDF. Dataset dibagi dengan rasio 60:40 untuk training dan testing, lalu dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan Naïve Bayes mencapai akurasi tertinggi (87,75%), lebih unggul dari K-NN (86,67%). Kedua algoritma mencatat precision sempurna (100%), namun memiliki kelemahan dalam recall (NB: 18,4%; K-NN: 11,2%) dan F1-score (NB: 31%; K-NN: 20,1%), yang mengindikasikan kesulitan dalam mengidentifikasi sentimen positif. Penelitian ini membuktikan keunggulan Naïve Bayes dalam analisis sentimen kebijakan publik berbasis teks informal