Analisis Sentimen Terhadap Program Makan Bergizi Gratis Menggunakan Metode Logistic Regression
Abstract
This study aims to analyze public sentiment toward the Free Nutritious Meal Program (MBG), a policy implemented by the Indonesian government to improve the nutritional quality of students. The data used consist of 1,440 tweets collected through a scraping process from the X/Twitter platform. The data processing stages include preprocessing steps such as case folding, cleaning, tokenizing, stopword removal, and stemming using the Sastrawi library. Furthermore, the text data are transformed into numerical representations using the TF-IDF method and classified using the Logistic Regression algorithm. To enhance the model's performance, the SMOTE technique is applied to address data imbalance, along with GridSearchCV for parameter optimization. The results indicate that the Logistic Regression model achieves excellent performance, with an Accuracy of 98.96%, Precision of 99.14%, Recall of 98.10%, and an F1-Score of 98.61%. This study is expected to provide an objective overview of public perception and serve as a reference for policy evaluation and decision-making.
Keywords: Sentiment Analysis; Free Nutritious Meal Program; Logistic Regression; Text mining; NLP.
Abstrak
Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Program Makan Bergizi Gratis (MBG) yang merupakan kebijakan pemerintah Indonesia dalam meningkatkan kualitas gizi peserta didik. Data yang digunakan berupa 1.440 tweet yang diperoleh melalui proses scraping dari platform X/Twitter. Tahapan pengolahan data meliputi preprocessing yang terdiri dari case folding, cleaning, tokenizing, stopword removal, dan stemming menggunakan library Sastrawi. Selanjutnya, data teks diubah menjadi representasi numerik menggunakan metode TF-IDF dan diklasifikasikan menggunakan algoritma Logistic Regression. Untuk meningkatkan performa model, diterapkan teknik SMOTE dalam mengatasi ketidakseimbangan data serta GridSearchCV untuk optimasi parameter. Hasil penelitian menunjukkan bahwa model Logistic Regression memiliki kinerja yang sangat baik dengan akurasi sebesar 98,96%, Precision 99,14%, Recall 98,10%, dan F1-Score 98,61%. Penelitian ini diharapkan dapat memberikan gambaran objektif mengenai persepsi masyarakat serta menjadi bahan evaluasi dalam pengambilan kebijakan.
Kata kunci: Analisis Sentimen; Makan Bergizi Gratis; Logistic Regression; Text mining; NLP.
References
. S. Y. Widyasari, A. Larasati, and W. Y. Alam, “Evaluasi Kebijakan Makan Bergizi Gratis di Sekolah Dasar: Implikasi Terhadap Kesehatan Anak dan Pemberdayaan Ekonomi Lokal,” Innovative: Journal of Social Science Research, vol. 5, no. 4, pp. 1727–1736, Jul. 2025.
. D. Oktawila, H. E. Bagijo, and Tanudjaja, “Kedudukan Lembaga Negara Dalam Makan Bergizi Gratis,” Jurnal Media Informatika (JUMIN), vol. 6, no. 3, pp. 1595–1602, May–Aug. 2025.
. M. E. Ga’a, Y. F. Kasi, and Y. D. A. Epu, “Program Makan Bergizi Gratis di Kabupaten Nagekeo: Tujuan dan Tahapannya,” Jurnal Ilmiah Peternakan, vol. 5, no. 2, pp. 84–90, Jun. 2025.
. S. Fitrianti and A. Yudhistira, “Analisis Sentimen Media Sosial Terhadap Calon Pilkada 2024 Dengan Metode Naïve Bayes,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 1, pp. 167–176, Jan. 2025, doi: 10.52436/1.jpti.610.
. V. Agustina and A. Herliana, “Analisis Sentimen Publik atas Kebijakan Efisiensi Anggaran 2025 dengan Text mining dan Natural Language Processing,” Jurnal Media Informatika (JUMIN), vol. 6, no. 3, pp. 2182–2194, May–Aug. 2025, doi: 10.37424/jumin.v6i3.
. H. Setyawan, L. M. Azizah, and A. Y. Pradani, “Sentiment Analysis of Public Responses on Indonesia Government Using Naïve Bayes and Support Vector Machine,” Emerging Information Science and Technology, vol. 4, no. 1, pp. 1–7, Feb. 2023, doi: 10.26623/eist.v4i1.
. F. Haerani, “Analisis Sentimen Program Makan Bergizi Gratis Berdasarkan Media Sosial X Menggunakan Metode Gated Recurrent Unit (GRU),” Jurnal Informatika dan Teknik Elektro Terapan, vol. 14, no. 1, Jan. 2025, doi: 10.23960/jitet.v14i1.8754.
. E. Novfuja, E. Ali, S. Susanti, and Lusiana, “Prediksi Dukungan Publik Terhadap Program akan Bergizi Gratis (MBG) Menggunakan Analisis Sentimen Berbasis Long Short-Term Memory (LSTM),” Jurnal Algoritma, vol. 22, no. 2, pp. 1704–1715, Nov. 2025, doi: 10.33364/algoritma/v.22-2.2690.
. G. S. Rasyad and W. Maharani, “Logistic Regression and Naïve Bayes Comparison in Classifying Emotions on Indonesian X Social Media,” Edumatic: Jurnal Pendidikan Informatika, vol. 9, no. 1, pp. 31–40, Apr. 2025, doi: 10.29408/edumatic.v9i1.29120.
. S. Khoerunnisa, D. F. Shiddieq, and D. Nurhayati, “Penerapan Algoritma Naïve Bayes dengan Teknik TF-IDF dan Cross Validation untuk Analisis Sentimen Terhadap Starlink,” MALCOM: Indonesian Journal of Machine learning and Computer Science, vol. 5, no. 2, pp. 566–577, Mar. 2025, doi: 10.57152/malcom.v5i2.1852.
. M. U. Albab, Y. K. P., and M. N. Fawaiq, “Optimization of the Stemming Technique on Text Preprocessing President 3 Periods Topic,” Jurnal Transformatika, vol. 20, no. 2, pp. 1–12, Jan. 2023, doi: 10.26623/transformatika.v20i2.5374.
. J. E. B. Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” Jurnal Manajemen Informatika (JAMIKA), vol. 14, no. 1, pp. 45–55, Apr. 2024.
. A. B. Putra Negara, “The Influence of Applying Stopword removal and SMOTE on Indonesian Sentiment Classification,” Lontar Komputer: Jurnal Ilmiah Teknologi Informasi, vol. 14, no. 3, pp. 172–180, Dec. 2023, doi: 10.24843/lkjiti.2023.v14.i03.p05.
. M. N. Fahmi, “Implementasi Machine learning menggunakan Python Library: Scikit-Learn (Supervised dan Unsupervised Learning),” Sains Data: Jurnal Studi Matematika dan Teknologi, vol. 1, no. 2, pp. 87–96, Dec. 2023, doi: 10.52620/sainsdata.v1i2.31.
. L. Rhomaningtias, A. Khairunisa, S. S. M. Wara, and K. M. Hindrayani, “Analisis Sentimen Ulasan Aplikasi Smile Indonesia Menggunakan Metode Naïve Bayes dan Support Vector Machine (SVM),” HOAQ: Jurnal Teknologi Informasi, vol. 16, no. 1, pp. 79–91, May 2025.
. I. Ristiana and Mutmainah, "Analisis Sentimen Bencana Banjir Sumatera Menggunakan TF-IDF dan Logistic Regression," Jurnal Sistem Informasi dan Teknologi (SINTEK), vol. 6, no. 1, pp. 57-65, 2024. [Online]. Available: https://sintek.stmikku.ac.id/index.php/home
. A. Riviani, & C.B. Santoso, “Perbandingan Naïve Bayes dan SVM untuk Analisis Sentimen Pengguna Aplikasi X Terhadap Danantara. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 14, no. 3, pp. 1843-1855, 2025.
How To Cite This :
Refbacks
- There are currently no refbacks.
