OPTIMASI ANALISIS SENTIMEN PROGRAM MAKAN BERGIZI GRATIS MENGGUNAKAN ALGORITMA SVM DAN NAIVE BAYES BERBASIS TEKNIK SMOTE

Penelitian ini berjudul Optimasi Analisis Sentimen Program Makan Bergizi Gratis Menggunakan Algoritma Support Vector Machine dan Naive Bayes Berbasis Teknik SMOTE. Penelitian ini dilakukan karena studi terdahulu pada sentimen MBG umumnya melaporkan akurasi tinggi, tetapi masih menyisakan kelemahan pada deteksi kelas minoritas akibat ketidakseimbangan kelas, sehingga evaluasi berisiko terjebak pada accuracy paradox. Penelitian ini bertujuan membandingkan dan mengevaluasi kinerja Support Vector Machine (SVM) dan Multinomial Naive Bayes (MNB). Variabel penelitian dibatasi pada 3.359 data dari Kaggle yang telah diseleksi dari 10.000 data awal, dipraolah, dan diberi label positif, negatif, dan netral. Metode analisis menggunakan TF-IDF 5.000 fitur, stratified train-test split 80:20, SMOTE hanya pada data latih, serta evaluasi accuracy, precision, recall, macro F1-score, dan overfitting. Hasil penelitian menunjukkan bahwa SVM memiliki kinerja lebih tinggi daripada MNB. Pada data uji, SVM memperoleh akurasi 99,70 dan macro F1-score 99,75, sedangkan MNB memperoleh akurasi 95,86 dan macro F1-score 95,33. Kebaruan penelitian ini terletak pada pengujian terkontrol pengaruh SMOTE pada komparasi SVM dan MNB untuk klasifikasi sentimen tiga kelas MBG menggunakan dataset yang telah melalui seleksi kualitas, dengan SMOTE diterapkan hanya pada data latih agar evaluasi tetap objektif. Hasil tersebut menunjukkan bahwa penyeimbangan kelas dan evaluasi berbasis metrik per kelas memberikan penilaian model yang lebih sahih daripada hanya mengandalkan akurasi. Kesimpulan penelitian ini menunjukkan bahwa SVM merupakan model terbaik pada konfigurasi penelitian ini. Penerapan SMOTE pada data latih efektif meningkatkan representasi kelas minoritas, sedangkan gap macro F1-score sebesar 0,24 pada SVM dan 2,10 pada MNB menunjukkan generalisasi model yang tetap stabil. Kontribusi ilmiah penelitian ini adalah penegasan bahwa pada korpus sentimen kebijakan publik yang sangat timpang, validitas evaluasi model lebih ditentukan oleh penanganan ketidakseimbangan kelas, metrik per kelas, dan kestabilan generalisasi daripada akurasi tunggal.