PERBANDINGAN METODE TF-IDF DAN WORD2VEC PADA ALGORITMA SVM UNTUK ANALISIS SENTIMEN PROGRAM MAKAN BERGIZI GRATIS DI MEDIA SOSIAL X

Program Makan Bergizi Gratis (MBG) merupakan salah satu kebijakan pemerintah yang menuai beragam tanggapan dari masyarakat di media sosial X, sehingga diperlukan analisis sentimen untuk mengetahui kecenderungan opini publik terhadap kebijakan tersebut. Penelitian ini bertujuan membandingkan performa dua metode pembobotan fitur, yaitu Term Frequency-Inverse Document Frequency (TF-IDF) dan Word2Vec, dalam mendukung algoritma Support Vector Machine (SVM) untuk mengklasifikasikan sentimen masyarakat menjadi positif dan negatif, menggunakan data sebanyak 10.016 tweet yang dikumpulkan melalui teknik scraping dengan web scrapper Apify dan berkurang menjadi 8.483 data setelah proses cleaning, kemudian diproses melalui tahapan text preprocessing (cleaning, case folding, normalisasi, tokenizing, stopword removal, stemming) dan diberi label secara otomatis menggunakan leksikon InSet, dibagi menjadi data latih dan data uji, diseimbangkan dengan Synthetic Minority Over-sampling Technique (SMOTE), lalu direpresentasikan menggunakan TF-IDF dan Word2Vec ber arsitektur Skip-gram sebelum diklasifikasikan dengan SVM berkernel linear. Hasil penelitian menunjukkan bahwa model SVM dengan pembobotan TF-IDF memberikan performa yang lebih baik dibandingkan Word2Vec, dengan nilai accuracy sebesar 86%, precision sebesar 90%, recall sebesar 88%, dan F1-score sebesar 89% untuk TF-IDF, sedangkan Word2Vec hanya memperoleh accuracy sebesar 74%, precision sebesar 83%, recall sebesar 76%, dan F1-score sebesar 79%, sehingga dapat disimpulkan bahwa TF-IDF merupakan metode pembobotan fitur yang lebih efektif dibandingkan Word2Vec dalam mendukung algoritma SVM untuk analisis sentimen terhadap Program Makan Bergizi Gratis pada data media sosial X.