IMPLEMENTASI METODE NAÏVE BAYES UNTUK ANALISIS SENTIMEN TERHADAP PROGRAM MAKAN SIANG GRATIS PADA MEDIA SOSIAL X

Program makan siang gratis merupakan kebijakan pemerintah yang bertujuan meningkatkan gizi anak dan menurunkan angka stunting di Indonesia. Analisis tanggapan masyarakat terhadap program makan siang gratis sangat penting untuk memahami bagaimana masyarakat melihat program tersebut. Penelitian ini bertujuan mengimplementasikan metode Naïve Bayes dengan teknik pembobotan TF-IDF untuk analisis sentimen terhadap program makan siang gratis pada media sosial X guna mengidentifikasi sentimen dominan dan mengetahui akurasi klasifikasi. Dalam penelitian ini, pengumpulan data dilakukan dalam jangka waktu 6 Januari 2025 - 28 Februari 2025 dengan jumlah data yang diperoleh sebanyak 2.791 data. Selanjutnya, data diproses melalui tahapan preprocessing yang terdiri dari cleansing, casefolding, tokenizing, normalisasi, dan stopword. Setelah data dibersihkan, proses pelabelan dilakukan menggunakan model transformer dari Hugging Face, yaitu agufsamudra/indo-sentiment-analysis, yang menghasilkan data dengan dua kelas sentimen, yaitu positif dan negatif. Dari hasil labeling menunjukan terdapat 529 sentimen positif dan 2.262 sentimen negatif, dengan pembagian data latih dan data uji sebesar 80% : 20%. Kemudian data dikonversi ke dalam representasi numerik menggunakan metode TF-IDF. Selanjutnya, proses klasifikasi dilakukan menggunakan algoritma Multinomial Naïve Bayes dan pengujian dilakukan menggunakan confusion matrix. Perhitungan model menggunakan confusion matrix menghasilkan tingkat akurasi 85,33% dengan sentimen positif memperoleh presisi 72%, recall 19,35%, f1-score 30,51% dan sentimen negatif presisi 85,95%, recall 98,49%, f1-score 91,79%. Berdasarkan hasil pengujian performa, model mampu menunjukkan bahwa secara umum model dapat mengklasifikasikan data dengan sangat baik, namun nilai presisi, recall, dan f1-score pada sentimen positif masih tergolong rendah karena ketidakseimbangan jumlah data antar kategori sentimen.

[1] TEMPO.CO, “BKKBN targetkan prevalensi stunting 18 persen pada 2025,” Jan. 16, 2025. [Online]. Available: https://www.tempo.co/politik/bkkbn-targetkan-prevalensi-stunting-18-persen-pada-2025--1194695

[2] Y. Haskas, “Gambaran stunting di Indonesia: Literatur review,” Jurnal Ilmiah Kesehatan Diagnosis, vol. 15, no. 2, pp. 2302–2531, 2020.

[3] F. N. Zaman, M. A. Fadhilah, M. A. Ulinuha, dan K. Umam, “Menganalisis respons netizen Twitter terhadap program makan siang gratis menerapkan NLP metode Naive Bayes,” Jurnal Sistem Informasi, Teknologi Informasi dan Komputer, vol. 14, no. 3, pp. 150–233, 2024.

[4] A. Sitanggang, Y. Umaidah, dan R. I. Adam, “Analisis sentimen masyarakat terhadap program makan siang gratis pada media sosial X menggunakan algoritma Naive Bayes,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4902.

[5] R. Saputra dan F. N. Hasan, “Analisis sentimen terhadap program makan siang & susu gratis menggunakan algoritma Naive Bayes,” Jurnal Teknologi dan Sistem Informasi Bisnis, vol. 6, no. 3, pp. 411–419, 2024, doi: 10.47233/jteksis.v6i3.1378.

[6] K. S. Putri, I. R. Setiawan, dan A. Pambudi, “Analisis sentimen terhadap brand skincare lokal menggunakan Naive Bayes Classifier,” Technologia: Jurnal Ilmiah, vol. 14, no. 3, p. 227, 2023, doi: 10.31602/tji.v14i3.11259.

[7] N. S. Marga, A. R. Isnain, dan D. Alita, “Sentimen analisis tentang kebijakan pemerintah terhadap kasus corona menggunakan metode Naive Bayes,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 2, no. 4, pp. 453–463, 2020.

[8] M. I. Fikri, T. S. Sabrila, dan Y. Azhar, “Comparison of Naive Bayes and Support Vector Machine methods in Twitter sentiment analysis,” Smatika Jurnal, vol. 10, no. 2, pp. 71–76, 2020.

[9] A. Supian et al., “Perbandingan kinerja Naive Bayes dan SVM pada analisis sentimen Twitter ibukota Nusantara,” Jurnal Ilmiah Informatika, vol. 12, no. 1, pp. 15–21, 2024, doi: 10.33884/jif.v12i01.8721.

[10] M. Dwijayanti, F. N. Hasan, dan R. Z. Adam, “Analisis sentimen pada ulasan pelanggan menggunakan metode Naive Bayes Classifier (studi kasus: Grab Indonesia),” Prosiding Seminar Nasional Teknoka, vol. 6, pp. 93–99, 2022, doi: 10.22236/teknoka.v6i1.441.

[11] A. Nugroho dan Y. Religia, “Analisis optimasi algoritma klasifikasi Naive Bayes menggunakan Genetic Algorithm dan Bagging,” Jurnal RESTI, vol. 5, no. 3, pp. 504–510, 2021, doi: 10.29207/resti.v5i3.3067.

[12] L. Nursinggah, R. Ruuhwan, dan T. Mufizar, “Analisis sentimen pengguna aplikasi X terhadap program makan siang gratis dengan metode Naive Bayes Classifier,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4336.

[13] Tundo dan D. N. Rachmawati, “Implementasi algoritma Naive Bayes untuk analisis sentimen terhadap program makan siang gratis,” Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 5, no. 3, pp. 1–15, 2024, doi: 10.35870/jimik.v5i3.978.

[14] C. S. Hudaya, H. Fakhrurroja, dan A. Alamsyah, “Analisis persepsi konsumen terhadap brand Go-Jek pada media sosial Twitter menggunakan metode sentiment analysis dan topic modelling,” Jurnal Mitra Manajemen, vol. 3, no. 6, pp. 664–673, 2019, doi: 10.52160/ejmm.v3i6.244.

[15] S. F. Pratama, “Analisis sentimen Twitter debat calon presiden Indonesia menggunakan metode fine-grained sentiment analysis,” Skripsi, Universitas Narotama, 2019.

[16] R. Prabowo, H. Sujaini, dan T. Rismawan, “Analisis sentimen pengguna Twitter terhadap kasus COVID-19 di Indonesia menggunakan metode regresi logistik multinomial,” JUSTIN, vol. 11, no. 1, pp. 85–90, 2023.

[17] D. D. Putri, G. F. Nama, dan W. E. Sulistiono, “Analisis sentimen kinerja DPR pada Twitter menggunakan metode Naive Bayes Classifier,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 10, no. 1, pp. 34–40, 2022, doi: 10.23960/jitet.v10i1.2262.

[18] N. Wiliani, N. L. Chusna, dan P. B. Ramadhan, Analisis sentimen terhadap pro kontra aksi unjuk rasa mahasiswa dengan Naive Bayes dan Information Gain. Penerbit NEM, 2023.

[19] M. W. Pertiwi, “Analisis sentimen opini publik mengenai sarana transportasi mudik pada Twitter menggunakan algoritma Naive Bayes, Neural Network, KNN dan SVM,” Inti Nusa Mandiri, vol. 14, no. 1, pp. 27–32, 2019.

[20] L. Ardiani, H. Sujaini, dan Tursina, “Implementasi sentiment analysis tanggapan masyarakat terhadap pembangunan di Kota Pontianak,” Jurnal Sistem dan Teknologi Informasi (JUSTIN), vol. 8, no. 2, p. 183, 2020, doi: 10.26418/justin.v8i2.36776.

[21] N. Ruhyana, “Analisis sentimen terhadap penerapan sistem ganjil-genap pada Twitter dengan metode Naive Bayes,” Jurnal IKRA-ITH Informatika, vol. 3, no. 1, pp. 94–99, 2019.

[22] A. M. Pravina, I. Cholissodin, dan P. P. Adikara, “Sentiment analysis about airline opinions on Twitter using Support Vector Machine (SVM),” Journal of Information Technology Development and Computer Science, vol. 3, no. 3, pp. 2789–2797, 2019.

[23] S. R. I. Rezeki, “Penggunaan media sosial Twitter dalam komunikasi organisasi (studi kasus pemerintah provinsi DKI Jakarta dalam penanganan COVID-19),” Journal of Islamic and Law Studies, vol. 4, no. 2, 2020.

[24] S. A. S. Mola, S. N. R. Djawa, dan A. Y. Mauko, Text mining: Analisis sentimen dengan Naive Bayes. Kaizen Media Publishing, 2025.

[25] M. S. Amrullah, S. F. Pane, dan M. N. Fauzan, Analisis sentimen masyarakat terhadap kebijakan polisi tilang manual di Indonesia. Penerbit Buku Pedia, 2023.

[26] R. R. Putra, N. A. Putri, dan A. D. Putra, Teknik cosine similarity dan TF-IDF dalam analisis data. Serasi Media Teknologi, 2024.

[27] S. Ratri, Machine learning: Review omnibus law UU Cipta Kerja. Jakad Media Publishing, 2022.

[28] J. M. Hasan et al., “Sistem informasi akuntansi (flowchart) dalam pembangunan Masjid Al-Aulia,” Dedikasi PKM, vol. 2, no. 1, pp. 118–125, 2020.

[29] D. Kusnady dan A. Siregar, “Sistem informasi biaya pendidikan (BPP) berbasis web,” Juripol, vol. 1, no. 1, pp. 9–13, 2018.

[30] S. M. Indrajani, Database design (case study all in one). PT Elex Media Komputindo, 2015.