Analisis Sentimen Program Makanan Bergizi Gratis Menggunakan Algoritman Naive Bayes


Miftahul rifqi(1*); Abrezal Satrio Abimanyu(2); SItti Rahmah Jabir(3);

(1) Universitas Muslim Indonesia
(2) Universitas Muslim Indonesia
(3) Universitas Muslim Indonesia
(*) Corresponding Author

  

Abstract


Program Makanan Bergizi Gratis (MBG) merupakan salah satu program pemerintah yang bertujuan meningkatkan kualitas gizi masyarakat, khususnya peserta didik, serta mendukung peningkatan kualitas sumber daya manusia di Indonesia. Program ini menimbulkan berbagai tanggapan dari masyarakat yang tersebar di media sosial, sehingga diperlukan analisis sentimen untuk mengetahui kecenderungan opini publik terhadap pelaksanaan program tersebut. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Program Makanan Bergizi Gratis menggunakan algoritma Naïve Bayes. Data penelitian diperoleh dari transkrip video YouTube yang membahas Program Makanan Bergizi Gratis. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan teks yang terdiri atas case folding, tokenizing, stopword removal, dan stemming, kemudian dilakukan pelabelan sentimen, ekstraksi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), serta proses klasifikasi menggunakan algoritma Naïve Bayes. Hasil penelitian menunjukkan bahwa sentimen netral mendominasi data, yang mengindikasikan bahwa sebagian besar pembahasan lebih berfokus pada penyampaian informasi mengenai kebijakan dan implementasi program dibandingkan penyampaian opini yang bersifat emosional. Evaluasi model menunjukkan bahwa algoritma Naïve Bayes mampu memberikan performa klasifikasi yang baik dengan nilai akurasi sebesar 88,20%, presisi sebesar 89,34%, recall sebesar 88,20%, dan F1-score sebesar 84,73%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa algoritma Naïve Bayes efektif digunakan untuk menganalisis sentimen masyarakat terhadap Program Makanan Bergizi Gratis serta dapat menjadi salah satu metode pendukung dalam mengevaluasi persepsi publik terhadap kebijakan pemerintah

Keywords


Analisis sentimen; Naïve bayes; MBG; Makanan Bergizi Gratis; Machine Learning

  
  

Full Text:

XML
  

Article Metrics

Abstract view: 0 times
XML view: 0 times 		     

Digital Object Identifier

doi  https://doi.org/10.33096/linier.v3i3.3865 		  

Cite

How to cite item

References


K. T. Hartanto, P. Purnawansyah, and S. R. Jabir, “Analisis Pengaruh Penanganan Imbalanced Dataset Terhadap Kinerja Model Klasifikasi Kualitas Peta Konsep Menggunakan Algoritma Support Vector Machine,” LINIER: Literatur Informatika dan Komputer, vol. 3, no. 1, pp. 96–104, May 2026, doi: 10.33096/linier.v3i1.3489.

M. F. Manao and S. Mujiyono, “Sentiment Analysis of the Free Nutritious Meal Program on Twitter Using Naive Bayes and IndoBERT-Based Labeling,” vol. 8, no. 1, pp. 1302–1327, 2026, doi: 10.63158/journalisi.v8i1.1345.

I. N. Yulita, V. Wijaya, R. Rosadi, I. Sarathan, Y. Djuyandi, and A. S. Prabuwono, “Analysis of Government Policy Sentiment Regarding Vacation during the COVID-19 Pandemic Using the Bidirectional Encoder Representation from Transformers (BERT),” Data (Basel)., vol. 8, no. 3, 2023, doi: 10.3390/data8030046.

M. F. Ardhi Indrani, H. Herman, and L. N. Hayati, “Analisis Sentimen Review Aplikasi Traveloka di Google Play Store Menggunakan Metode Naïve Bayes,” LINIER: Literatur Informatika dan Komputer, vol. 2, no. 4, pp. 545–552, Feb. 2026, doi: 10.33096/linier.v2i4.3339.

Alfandi Safira and F. N. Hasan, “Analisis Sentimen Masyarakat Terhadap Paylater Menggunakan Metode Naive Bayes Classifier,” ZONAsi: Jurnal Sistem Informasi, vol. 5, no. 1, pp. 59–70, Jan. 2023, doi: 10.31849/zn.v5i1.12856.

D. Duei Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 10, no. 1, Jan. 2022, doi: 10.23960/jitet.v10i1.2262.

A. I. Tanggraeni and M. N. N. Sitokdana, “Analisis Sentimen Aplikasi E-Government pada Google Play Menggunakan Algoritma Naïve Bayes,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 9, no. 2, pp. 785–795, Jun. 2022, doi: 10.35957/jatisi.v9i2.1835.

N. N. Aprianti, N. M. M. R. Desmayani, L. G. B. Libraeni, I. G. A. Indrawan, and M. L. Radhitya, “Public Sentiment Analysis of the Free Nutritious Meals Program (MBG) on Social Media X Using the Naive Bayes Method,” Journal of Applied Informatics and Computing, vol. 9, no. 6, pp. 3929–3936, 2025, doi: 10.30871/jaic.v9i6.11420.

M. R. Fauzan, S. Anraeni, and L. Budiman Ilmuwan, “Analisis Sentimen Tweet Netizen Terhadap Timnas Sepak Bola Indonesia di Era Shin Tae-Yong Menggunakan Algoritma Support Vector Machine (SVM),” LINIER: Literatur Informatika dan Komputer, vol. 2, no. 3, pp. 329–340, Oct. 2025, doi: 10.33096/linier.v2i3.3144.

M. F. Saleh and R. Imanda, “Public Sentiment Analysis of the Free Meal Program: A Comparison of Naive Bayes and Support Vector Machine Methods on the Twitter (X) Social Media Platform,” Journal of Applied Informatics and Computing, vol. 9, no. 1, pp. 131–139, 2025, doi: 10.30871/jaic.v9i1.8895.

I. Chalkias, K. Tzafilkou, D. Karapiperis, and C. Tjortjis, “Learning Analytics on YouTube Educational Videos: Exploring Sentiment Analysis Methods and Topic Clustering,” Electronics (Switzerland), vol. 12, no. 18, 2023, doi: 10.3390/electronics12183949.

M. Frohmann, I. Sterner, I. Vulić, B. Minixhofer, and M. Schedl, “Segment Any Text: A Universal Approach for Robust, Efficient and Adaptable Sentence Segmentation,” EMNLP 2024 - 2024 Conference on Empirical Methods in Natural Language Processing, Proceedings of the Conference, pp. 11908–11941, 2024, doi: 10.18653/v1/2024.emnlp-main.665.

Y. Jin, K. Cheng, X. Wang, and L. Cai, “Frontiers in Business, Economics and Management A Review of Text Sentiment Analysis Methods and Applications,” vol. 10, no. 1, 2023.

M. F. Rahmatullah, P. L. Lokapitasari Belluano, and H. Darwis, “Analisis Sentimen Review Aplikasi di Google Play Store Menggunakan Random Forest,” LINIER: Literatur Informatika dan Komputer, vol. 2, no. 3, pp. 380–389, Oct. 2025, doi: 10.33096/linier.v2i3.3149.

K. Li, X. Liu, and Z. Chen, “Semantic Consistency Regularization with Large Language Models for Semi-supervised Sentiment Analysis,” Communications in Computer and Information Science, vol. 2284 CCIS, pp. 289–303, 2025, doi: 10.1007/978-981-96-6954-7_20.

M. Salman Al Markas, S. Anraeni, and L. Budiman Ilmuwan, “Implementasi Fitur Vector Bag Of Word Dan TF IDF untuk Analisis Sentiment,” LINIER: Literatur Informatika dan Komputer, vol. 2, no. 2, pp. 136–146, Sep. 2025, doi: 10.33096/linier.v2i2.3104.

A. Rahman, F. Rahmat, M. Y. Fariqi, S. Adi, and P. S. Informatika, “Metode Naive Bayes untuk Menganalisis Akurasi Sentimen Komentar di Youtube,” Jurnal EECCIS, vol. 14, no. 1, pp. 31–34, 2020.

N. Putu, A. Noviyanti, I. G. Ngurah, and A. Cahyadi, “Penerapan Multinomial Naïve Bayes dan Chi-Square pada Analisis Sentimen Makan Bergizi Gratis,” vol. 3, pp. 785–794, 2025.

N. Romadoni, A. M. Siregar, D. S. Kusumaningrum, and T. Rohana, “Classification Model of Public Sentiments About Electric Cars Using Machine Learning,” Scientific Journal of Informatics, vol. 11, no. 2, pp. 303–314, 2024, doi: 10.15294/sji.v11i2.1309.

K. M. Sujon, R. Hassan, K. Choi, and M. A. Samad, “Accuracy, precision, recall, f1-score, or MCC? empirical evidence from advanced statistics, ML, and XAI for evaluating business predictive models,” J. Big Data, vol. 12, no. 1, 2025, doi: 10.1186/s40537-025-01313-4.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2026 Miftahul rifqi, Abrezal Satrio Abimanyu, SItti Rahmah Jabir

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.



Linier: Literatur Informatika dan Komputer indexed by

Google_Scholar_logogaruda_logoCROSSREF_logoROAD_logo

ISSN 3063-2218
Published by Prodi Teknik Informatika FIK Universitas Muslim Indonesia
Website :  https://jurnal.fikom.umi.ac.id/index.php/LINIER/
Email : linier@umi.ac.id

 This work is licensed under a Creative Commons Attribution-ShareAlike 4.0