View/Open

Author

Date Published
20 Aug 2026

Advisor
Winda Yulita, M.Cs.,
Miranti Verdiana, M.Si.,

Subject
Teknik Informatika

Publisher

Program Makan Bergizi Gratis (MBG) menimbulkan pro dan kontra di masyarakat sehingga opini publik banyak disuarakan melalui platform X. Penelitian ini menerapkan pelabelan sentimen menggunakan VADER, TextBlob, dan AFINN, serta membandingkan kinerja metode ekstraksi fitur TF-IDF dan Word2Vec dalam klasifikasi sentimen menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan melalui crawling API X (28 Agustus-8 Oktober 2025) dan diolah menjadi 3.008 tweet setelah pembersihan dan pelabelan hybrid, yaitu tingkat kesepakatan ketiga tools lexicon diukur menggunakan Fleiss' Kappa (0,4320, kategori sedang), label akhir ditentukan melalui majority voting, dan data ambigu divalidasi manual dengan Cohen's Kappa sebesar 0,8291 (kategori kuat), dilanjutkan stratified split 80:20, pra-pemrosesan teks, ekstraksi fitur, penanganan ketidakseimbangan kelas dengan SMOTE, serta optimasi hyperparameter menggunakan GridSearchCV. Hasil pengujian menunjukkan model SVM dengan TF-IDF (kernel linear, C=1) memperoleh F1-macro validasi silang 0,5817 serta akurasi 0,6777 dan F1-weighted 0,6769 pada data uji, lebih tinggi dibandingkan model dengan Word2Vec (kernel RBF, C=1) yang memperoleh F1-macro validasi silang 0,5699 serta akurasi 0,6362 dan F1-weighted 0,6434. TF-IDF terbukti secara konsisten lebih optimal dibandingkan Word2Vec dalam mendukung klasifikasi sentimen pada data opini publik mengenai kebijakan MBG di platform X.

URI
https://repo.itera.ac.id/depan/submission/SB2608200005

Keyword
Analisis Sentimen TF-IDF Word2Vec Support Vector Machine Program Makan Bergizi Gratis