Kebijakan Program Makan Bergizi Gratis (MBG) menuai berbagai respons publik di media sosial X. Penelitian ini bertujuan menganalisis sentimen masyarakat dan menguji pengaruh Synthetic Minority Oversampling Technique (SMOTE) pada performa algoritma Multinomial Naïve Bayes. Penelitian ini menggunakan 5.231 tweet hasil scraping yang melalui proses preprocessing, pelabelan oleh dua validator, pembobotan TF-IDF, dan pembagian data rasio 80:20. Pelatihan model memakai parameter alpha = 0,100 dengan evaluasi metrik akurasi, presisi, recall, serta F1-score. Hasil analisis mendapati sentimen negatif mendominasi sebanyak 2.788 data (53,30%), disusul sentimen positif 1.320 data (25,23%), dan sentimen netral 1.123 data (21,47%). Tanpa SMOTE, model mencatat akurasi 64,57%, presisi 61,60%, recall 64,57%, dan F1-score 61,74%. Angka tersebut meningkat setelah penerapan SMOTE menjadi akurasi 65,71%, presisi 64,65%, recall 65,71%, dan F1-score 64,85%. Penelitian menyimpulkan bahwa SMOTE efektif meningkatkan akurasi klasifikasi Multinomial Naïve Bayes, sementara riset lanjutan disarankan menambah jumlah data dan memperpanjang rentang waktu pengambilan sampel agar hasil analisis semakin representatif.
References
Aggarwal, C. C. (2022). Machine Learning for Text (2 ed.). Cham, Switzerland: Springer
Fatkhurrohman, F., Nugroho, B. I., & Fadillah, N. (2025). Analisis sentimen program makan bergizi gratis pemerintah RI melalui Twitter menggunakan metode SVM. RIGGS: Journal of Artificial Intelligence and Digital Business, 4(3), 3906–3917.
Fernández, A., García, S., Herrera, F., & Chawla, N. V. (2020). SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-Year Anniversary. Journal of Artificial Intelligence Research, 61, 863–905.
Harmandini, K. P., & Muslim, K. (2024). Analysis of TF-IDF and TF-RF Feature Extraction on Product Review Sentiment. Sinkron: Jurnal dan Penelitian Teknik Informatika, 8(2).
Hidayat, R., & Pratama, A. (2026). Analisis tren dan dominasi platform media sosial dalam ekosistem digital Indonesia. Journal of Digital Marketing and Communication, 8(2), 145–162.
Ihdahayuningsih, R., Rahmah, S. A., Rain, S. J., Adhari, H., Fahri, Y., & Siwu, G. C. I. (2026). Analisis sentimen masyarakat terhadap Program Makan Bergizi Gratis pada media sosial X dengan Naïve Bayes. Jurnal Sains Informatika Terapan, 5(1).
Indonesia, K. K. R. (2025). Menilik eksistensi program MBG atau Makan Bergizi Gratis.
Indonesia, S. K. R. (2025). Presiden Prabowo: Target 82 juta penerima manfaat Makan Bergizi Gratis akan terwujud bertahap.
Jurafsky, D., & Martin, J. H. (2024). Speech and Language Processing (3rd ed. dr). Stanford, CA: Stanford University.
Mukarom, M. A., & dkk. (2025). Analisis sentimen berbasis aspek terhadap Program Makan Bergizi Gratis (MBG) di Twitter/X dengan pendekatan efektivitas Duncan. Jurnal Sistem Informasi dan Komputasi Akuntansi, 11(2), 142–153.
Najib, L., Mahfudh, A. A., & Bakhri, S. (2026). Analisis sentimen persepsi publik terhadap Program MBG pada komentar YouTube menggunakan Naïve Bayes dan resampling. Building of Informatics, Technology and Science (BITS), 7(4), 2467–2478.
Singarimbun, J. P., & Iqbal, M. (2026). Analisis sentimen program makan gratis pada media sosial X menggunakan metode Naïve Bayes. Journal of Informatics Management and Information Technology, 6(1).
Wibowo, A., Mawardi, V. C., & Sutrisno, T. (2026). Analisis sentimen masyarakat Indonesia terhadap Program Makan Bergizi Gratis (MBG) di media sosial X menggunakan perbandingan algoritma Naive Bayes dan Support Vector Machine. JATI (Jurnal Mahasiswa Teknik Informatika), 10(3).
Zhang, Y., Wang, X., & Li, J. (2022). Research on Text Classification Techniques Based on Improved TF-IDF Algorithm and LSTM Inputs. Procedia Computer Science, 208, 460–470.