ANALISIS PERBANDINGAN KINERJA ALGORITMA NAIVE BAYES DAN SVM DALAM MENGKLASIFIKASI SENTIMEN TERHADAP MBG

Abstract

Perkembangan platform digital telah mengubah cara masyarakat menyampaikan pendapat, khususnya terhadap kebijakan publik yang berdampak langsung pada kehidupan sehari-hari. Program Makan Bergizi Gratis (MBG) yang digagas pemerintah Indonesia menjadi salah satu topik yang banyak diperbincangkan di media sosial Twitter, menghasilkan volume data teks yang besar namun belum termanfaatkan secara optimal untuk kepentingan evaluasi kebijakan. Kondisi ini mendorong perlunya penerapan metode komputasional yang mampu mengolah data tersebut secara efisien dan objektif. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen masyarakat terhadap program MBG. Data yang digunakan merupakan dataset publik dari Kaggle yang berjumlah 3.457 komentar media sosial Twitter. Tahapan penelitian meliputi preprocessing (cleaning, case folding, tokenizing, stopword removal, dan stemming), pelabelan otomatis, pembobotan fitur menggunakan TF-IDF, serta pembagian data sebesar 70% untuk pelatihan dan 30% untuk pengujian. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa Naive Bayes memperoleh akurasi 84,2% dengan F1-score 87,5%, sedangkan SVM menghasilkan akurasi 88,9% dengan F1-score 91,7%. Berdasarkan hasil tersebut, SVM menunjukkan performa yang lebih optimal dibandingkan Naive Bayes dalam mengklasifikasikan sentimen terhadap program MBG