Main Content
Lembaga Kita Journal Portal
Open Access Computer & Communication Science

Analisis Sentimen Masyarakat terhadap Kebijakan Program Makan Bergizi Gratis (MBG) di X Menggunakan Metode Support Vector Machine (SVM)

  • Mohammad Farhan Fatah1*
  • A. Hamdani2
  • Farihin Lazim3
1 Universitas Islam Ibrahimy Banyuwangi image/svg+xml
2,3 Universitas Ibrahimy image/svg+xml
* Corresponding Author: Mohammad Farhan Fatah

Abstract

The Free Nutritious Meal (MBG) policy has elicited diverse responses on social media platform X, necessitating sentiment analysis to objectively understand public opinion. This study employs Support Vector Machine (SVM) with TF-IDF weighting to classify 3,796 opinion data into positive, negative, and neutral sentiments. Results show the SVM model achieves an accuracy of 76.05%. Public perception is predominantly positive (1,431 data), followed by neutral (1,258), and negative (1,107). Word Cloud analysis indicates optimism based on hopes for improved student nutrition, while negative opinions highlight concerns about food safety and budget transparency. In conclusion, MBG enjoys strong public support, but the government should prioritize food safety and transparent financial management to reduce public unrest. Identifying negative sentiments provides a basis for critical evaluation and future policy improvements.

Keywords

Sentiment Analysis Free Nutritious Meal Support Vector Machine Twitter TF-IDF

How to Cite

Citation Format
Fatah, M. F., Hamdani, A., & Lazim, F. (2027). Analisis Sentimen Masyarakat terhadap Kebijakan Program Makan Bergizi Gratis (MBG) di X Menggunakan Metode Support Vector Machine (SVM). Jurnal JTIK (Jurnal Teknologi Informasi Dan Komunikasi), 11(1), 54-63. https://doi.org/10.35870/jtik.v11i1.7407

References

20 References
  • Amrozi, Y., Yuliati, D., Susilo, A., & Novianto, N. (2022). Klasifikasi jenis buah pisang berdasarkan citra warna dengan metode SVM. Jurnal SISFOKOM (Sistem Informasi dan Komputer), 11(3), 394–399. https://doi.org/10.32736/sisfokom.v11i3.1502.
  • Ansori, Y., & F. H. H. (2022). Perbandingan metode machine learning dalam analisis sentimen Twitter. Jurnal Sistem dan Teknologi Informasi, 10(4), 1–6. https://doi.org/10.26418/justin.v10i4.51784.
  • Arifin, N., & N. S. (2021). Penerapan algoritma Support Vector Machine (SVM) dengan TF-IDF n-gram untuk text classification. Satuan Tulisan Riset dan Inovasi Teknologi, 6(2), 129–136. http://dx.doi.org/10.30998/string.v6i2.10133.
  • Dewi, A. K., Rahmadani, N. F., Syahputri, R., & Rahma, L. (2025). Deteksi berita hoax pada platform X menggunakan pendekatan text mining dan algoritma machine learning. Jurnal Teknologi dan Sistem Informasi, 5(1), 33–46. https://doi.org/10.47709/dsi.v5i1.6011.
  • Fitriyana, V., Hakim, L., & Rini, D. C. N. (2023). Analisis sentimen ulasan aplikasi Jamsostek Mobile menggunakan metode Support Vector Machine. Jurnal Buana Informatika, 14(1), 40–49. https://doi.org/10.24002/jbi.v14i01.6909.
  • Harahap, E. D., & R. K. (2024). Analisis sentimen komentar terhadap kebijakan pemerintah mengenai Tabungan Perumahan Rakyat (TAPERA) pada aplikasi X menggunakan metode Naïve Bayes. Jurnal Teknik Informatika Unika ST. Thomas (JTIUST), 09(01), 166–175. https://doi.org/10.33365/jtsi.v4i1.2445.
  • Hidayatulloh, S., Muflikhah, L., & R. S. P. (2025). Implementasi embedding IndoBERT dan Support Vector Machine (SVM) untuk analisis sentimen publik terhadap layanan Biznet. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 9(9), 1–10.
  • Husada, H. C., & A. S. P. (2021). Analisis sentimen pada maskapai penerbangan di platform Twitter menggunakan algoritma Support Vector Machine (SVM). TEKNIKA, 10(1), 18–26. https://doi.org/10.34148/teknika.v10i1.311.
  • Indarwati, K., & H. F. (2023). Analisis sentimen terhadap kualitas pelayanan aplikasi Gojek menggunakan metode Naive Bayes classifier. JATISI (Jurnal Teknik Informatika & Sistem Informasi), 10(1). https://doi.org/10.35957/jatisi.v10i1.2643
  • Maldini, M. A., & S. A. (2025). Analisis sentimen ulasan pengguna aplikasi perbankan menggunakan algoritma Support Vector Machine dan Naive Bayes. JATI (Jurnal Mahasiswa Teknik Informatika), 9(3), 4098–4105. https://doi.org/10.36040/jati.v9i3.13522.
  • Muhammadin, I. A. S. (2021). Analisis sentimen pada ulasan aplikasi Kredivo dengan algoritma SVM dan NBC. Jurnal Rekayasa Perangkat Lunak, 2(2), 85–91. https://doi.org/10.31294/reputasi.v2i2.785.
  • Nugroho, D. C., Agustina, A. D., Maulana, B., Darussalam, F., & Asyraf, M. A. (2025). Penerapan metode Support Vector Machine untuk analisis sentimen publik pada program Makan Bergizi Gratis. Infotech Journal, 11(2), 474–479. https://doi.org/10.31949/infotech.v11i2.16781.
  • Nurhidayat, R. N., & K. E. D. (2023). Penerapan algoritma K-Nearest Neighbor dan fitur ekstraksi N-gram dalam analisis sentimen berbasis aspek. Jurnal Ilmiah Komputer dan Informatika, 12(1), 91–100. https://doi.org/10.34010/komputa.v12i1.9458.
  • Prastiawan, K. H., & D. Y. (2025). Analisis sentimen publik terhadap program Makan Bergizi Gratis dengan algoritma Naive Bayes. Journal of Artificial Intelligence and Digital Business (RIGGS), 4(4), 5412–5419. https://doi.org/10.31004/riggs.v4i4.3652.
  • Putri, D. D., Nama, G. F., & W. E. S. (2022). Analisis sentimen kinerja Dewan Perwakilan Rakyat (DPR) pada Twitter menggunakan metode Naive Bayes classifier. Jurnal Informatika dan Teknik Elektro Terapan (JITET), 10(1), 34–40. https://doi.org/10.23960/jitet.v10i1.2262.
  • Ridwan, E., & M. E. (2024). Penerapan metode SMOTE untuk mengatasi imbalanced data pada klasifikasi ujaran kebencian. Jurnal Ilmu Komputer (CO-SCIENCE), 4(1), 80–88. https://doi.org/10.31294/coscience.v4i1.2990.
  • Sidauruk, N. B., Riza, N., & R. N. S. F. (2023). Penggunaan metode SVM dan Random Forest untuk analisis sentimen ulasan pengguna terhadap Kai Access di Google Playstore. Jurnal Mahasiswa Teknik Informatika, 7(3), 1901–1906. https://doi.org/10.36040/jati.v7i3.6899.
  • Styawati, N. H., & A. R. I. (2021). Analisis sentimen masyarakat terhadap program Kartu Prakerja di Twitter dengan metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT, 6(3), 150–155. https://doi.org/10.30591/jpit.v6i3.2870.
  • Supian, B. T. R., Nanda, M., Lusiana, E., & R. (2024). Perbandingan kinerja Naïve Bayes dan SVM pada analisis sentimen Twitter Ibukota Nusantara. Jurnal Ilmiah Informatika (JIF), 12(1), 15–21. https://doi.org/10.33884/jif.v12i01.8721.
  • Yunita, M. K., & R. (2023). Perbandingan algoritma SVM dan Naïve Bayes pada analisis sentimen kebijakan penghapusan kewajiban skripsi. Indonesian Journal of Computer Science, 12(5), 2879–2890. https://doi.org/10.33022/ijcs.v12i5.3415.

Author Biographies

Mohammad Farhan Fatah, Universitas Islam Ibrahimy Banyuwangi

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Ibrahimy, Kota Situbondo, Provinsi Jawa Timur, Indonesia.

A. Hamdani, Universitas Ibrahimy

Program Studi Teknologi Informasi, Fakultas Sains dan Teknologi, Universitas Ibrahimy, Kota Situbondo, Provinsi Jawa Timur, Indonesia.

Farihin Lazim, Universitas Ibrahimy

Program Studi Ilmu Komputer, Fakultas Sains dan Teknologi, Universitas Ibrahimy, Kota Kota Situbondo, Provinsi Jawa Timur, Indonesia.

License

Copyright (c) 2027 Mohammad Farhan Fatah, A. Hamdani, Farihin Lazim

Creative Commons License

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

This is an open-access journal distributed under the Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits unrestricted use, distribution, reproduction, and adaptation in any medium (even commercially), provided appropriate credit is given to the original author(s), a link to the license is provided, and any changes made are indicated. Authors retain copyright without restrictions and grant the journal the right of first publication as well as non-exclusive publishing rights for archiving, indexing, and scholarly dissemination.

Downloads

OJS UsageStats Plugin
Download data is not yet available.

Most read articles by the same author(s)

Contrimetric

Recommended Articles