Perbandingan Berbagai Metode Klasifikasi Teks Untuk Sentimen Kebijakan Makan Gratis Di Indonesia

Abstract

Kebijakan makan gratis merupakan inisiatif penting untuk meningkatkan gizi anak balita dan ibu hamil serta mengurangi ketidaksetaraan sosial. Kebijakan ini mendukung keluarga rendah dengan menyediakan makanan dan susu gratis di sekolah dan pesantren. Di media sosial, terutama platform X (Twitter), kebijakan ini memicu diskusi publik. Tujuan dari penelitian ini adalah untuk menganalisis sentimen mengenai kebijakan maka gratis dengan menggunakan metode Naive Bayes, SVM, dan Decision Tree, serta memberikan efektivitas algoritma klasifikasi dalam memahami opini publik. Dari 5.205 tweet yang dianalisis, terdapat 4.735 tweet positif dan 470 tweet negatif. Penerapan Smote pada analisis ini memberikan hasil yang signifikan. SVM mencapai akurasi 99%, Decision Tree juga menunjukkan performa baik dengan akurasi 98%. Sementara itu, Naive Bayes mengalami peningkatan akurasi hingga 91%, meskipun masih kurang optimal dalam mendeteksi sentimen negatif dibandingkan dengan SVM dan Decision Tree.