Analisis Sentimen Netizen YouTube Terhadap Keracunan Program MBG Perbandingan Metode SVM dan Naïve Bayes

Djati Lumayung; Khairullah Khairullah

doi:10.33506/insect.v12i2.5798

Authors

Djati Lumayung Prodi Studi Teknik Informatika, Universitas Muhammadiyah Bengkulu
Khairullah Khairullah Prodi Studi Teknik Informatika, Universitas Muhammadiyah Bengkulu

DOI:

https://doi.org/10.33506/insect.v12i2.5798

Keywords:

Analisis Sentimen, Support Vector Machine, Naïve Bayes, YouTube, Makan Bergizi Gratis

Abstract

Kasus Keracunan Masal Pada Program Makan Bergizi Gratis (MBG) yang terjadi di berbagai daerah Indonesia sepanjang tahun 2025 memicu gelombang besar opini publik di kolom komentar YouTube. Penelitian ini bertujuan membandingkan performa algoritma Support Vector Machine (SVM) dan Naïve Bayes (NB) dalam menganalisis sentimen komentar netizen YouTube terkait kasus keracunan MBG. Sebanyak 2.039 komentar berbahasa Indonesia dikumpulkan menggunakan YouTube Data API v3, kemudian dilabeli ke dalam tiga kelas sentimen: Positif, Negatif, dan Netral. Tahapan preprocessing meliputi case folding, cleansing, normalisasi kata tidak baku, tokenisasi, stopword removal, dan stemming menggunakan library Sastrawi. Ekstraksi fitur dilakukan dengan TF-IDF dan data dibagi dengan rasio 80% training dan 20% testing. Hasil distribusi menunjukkan sentimen Netral mendominasi (46,2%), diikuti Negatif (37,8%) dan Positif (16,0%). Evaluasi menggunakan akurasi, presisi, recall, dan F1-Score menunjukkan SVM memperoleh akurasi 72,55% dengan F1-Score 71,62%, lebih unggul dibandingkan Naïve Bayes yang memperoleh akurasi 64,22% dan F1-Score 59,84%. SVM terbukti lebih optimal untuk klasifikasi sentimen komentar YouTube berbahasa Indonesia pada konteks kebijakan publik.

References

[1] A. A. Merlinda and Y. Yusuf, “Analisis Program Makan Gratis Prabowo Subianto Terhadap Strategi Peningkatan Motivasi Belajar Siswa di Sekolah Tinjauan dari Perspektif Sosiologi Pendidikan,” Ranah Res. J. Multidiscip. Res. Dev., vol. 7, no. 2, pp. 1364–1373, 2025, doi: https://doi.org/10.38035/rrj.v7i2.

[2] Wardianto, P. M. Jakak, and M. Rahman, “Analisis Sentimen Publik Terhadap Program Makan Bergizi Gratis di Instagram Menggunakan Algoritma Support Vector Machine,” SMARTICS J., vol. 11, no. 1, pp. 14–20, 2025, doi: https://doi.org/10.21067/smartics.v11i1.11852.

[3] A. Leader et al., “Kasus Keracunan Makanan Program Makan Bergizi Gratis ( MBG ) pada Siswa : Tinjauan Nilai Kemanusiaan Sila Kedua Pancasila dalam Perspektif Keamanan Pangan dan Tanggung Jawab Negara Faculty of Languages and Arts ( FBS ), Surabaya State University , Indones,” J. Ilm. Nusant. ( JINU), vol. 3, no. 2, pp. 922–935, 2026, doi: https://doi.org/10.61722/jinu.v3i2.9336.

[4] L. Rhomaningtias, A. Khairunisa, S. Shella, M. Wara, and K. M. Hindrayani, “Analisis Sentimen Ulasan Aplikasi Smile Indonesia Menggunakan Metode Naive Bayes Dan Support Vector Machine (SVM),” HOAQ J. Teknol. Inf., vol. 16, no. 1, pp. 79–91, 2025, doi: https://doi.org/10.52972/hoaq.vol16no1.

[5] A. M. N. Sari, M. Jazman, T. Ahsyar, Syaifullah, “Penerapan Algoritma Klasifikasi Naive Bayes dan Support Vector Machine untuk Analisis Sentimen Cyberbullying Bilingual di Aplikasi X,” Sist. J. Sist. INFORMSI, vol. 14, no. 1, 2025.

[6] F. M. Sarimole and Kudrat, “Analisis Sentimen Terhadap Aplikasi Satu Sehat Pada Twitter Menggunakan Algoritma Naive Bayes Dan Support Vector Machine,” J. Sains dan Teknonologi, vol. 5, no. 3, pp. 783–790, 2024, doi: https://doi.org/10.55338/saintek.v5i3.2702.

[7] N. Habibah, F. Sains, D. A. N. Teknologi, U. Islam, N. Sultan, and S. Kasim, “Analisis Sentimen Mengenai Penggunaan E-Wallet Pada Google Play Menggunakan Lexicon Based Dan K-Nearest Neighbor,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 1, pp. 192–200, 2023, doi: 10.30865/jurikom.v10i1.5429.

[8] I. Najiyah and M. Rizal, “Analisis Sentimen Media Sosial X Terhadap Kebijakan Presiden Republik Indonesia Prabowo Subianto,” J. FASILKOM, vol. 15, no. 3, pp. 443–455, 2025, doi: https://doi.org/10.37859/jf.v15i3.10385.

[9] D. H. Saifulloh, B. Perdian, and A. I. Panca, “Analisis Sentimen Ulasan Produk E-Commerce Berbasis Teks Dengan Pendekatan Probabilistik Naive Bayes,” J. SIKOM (Sistem Inf. Komputer), vol. 2, no. 1, pp. 61–74, 2025.

[10] F. Abdusyukur, “View Of Penerapan Algoritma Support Vector Machine (Svm) Untuk Klasifikasi Pencemaran Nama Baik Di Media Sosial Twitter,” Komputa J. Ilm. Komput. dan Inform., vol. 12, no. 1, pp. 2715–7849, 2023, doi: https://doi.org/10.34010/komputa.v12i1.9418.

[11] H. S. Wafa et al., “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine ( SVM ),” INFORMATICS Digit. Expert, vol. 4, no. 1, pp. 40–45, 2022.

[12] A. D. Pratama, “Analisa sentimen masyarakat terhadap penggunaan chatgpt menggunakan metode support vector machine (svm),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 1, pp. 327–338, 2024.

[13] H. Barus, I. N. Fajri, and Y. Pristyanto, “Sentiment Classification Analysis of Tokopedia Reviews Using TF-IDF , SMOTE , and Traditional Machine Learning Models,” J. Appl. Informatics Comput., vol. 9, no. 5, pp. 2552–2561, 2025.

[14] O. I. Gifari, M. Adha, I. R. Hendrawan, F. Freddy, S. Durrand, and A. S. Literature, “Analisis Sentimen Review Film Menggunakan TF-IDF dan Support Vector Machine,” JIFOTECH (JOURNAL Inf. Technol., vol. 2, no. 1, pp. 36–40, 2022.

[15] D. Atmajaya, A. Febrianti, and H. Darwis, “Metode SVM dan Naive Bayes untuk Analisis Sentimen ChatGPT di Twitter Dedy,” Indones. J. Comput. Sci., vol. 12, no. 1, pp. 2173–2181, 2023.

[16] A. Azmi, Febri and A. Voutama, “View of Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix,” KOMPUTA J. Ilm. Komput. dan Inform., vol. 13, no. 1, pp. 2089–9033, 2024.

[17] B. Ramadhani and R. R. Suryono, “Komparasi Algoritma Naïve Bayes dan Logistic Regression Untuk Analisis Sentimen Metaverse,” J. MEDIA Inform. BUDIDARMA, vol. 8, no. April, pp. 714–725, 2024, doi: 10.30865/mib.v8i2.7458.

[18] D. Safryda and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi Pospay dengan Algoritma Support Vector Machine,” J. Ilm. Inform., vol. 11, no. 1, 2023.

[19] I. M. Arya, A. Dwija, I. M. Gede, and I. G. Aris, “JTIM : Jurnal Teknologi Informasi dan Multimedia Perbandingan Algoritma Naive Bayes Berbasis Feature Selection Gain Ratio dengan Naive Bayes Kovensional dalam Prediksi Komplikasi Hipertensi,” vol. 6, no. 1, pp. 37–49, 2024.

[20] Sukirman, Sajidah, N. P. Husain, A. F. Syam, and R. Mustikosari, “Analisis Sentimen Ulasan Pengguna Tiktok pada Google Play Store Berbasis TF-IDF dan Support Vector Machine,” J. Syst. Comput. Eng., vol. 5, no. 1, pp. 91–102, 2024.