Menggali Opini Publik: Sentimen Terhadap Kebijakan Makan Siang Gratis Dengan Supervised Learning
DOI:
https://doi.org/10.25126/jtiik.2025129565Kata Kunci:
free lunch opinion, supervised learning, sentiment, social media opinionAbstrak
Di era informasi saat ini, opini publik menjadi aset penting dalam membentuk kebijakan sosial dan politik. Salah satu kebijakan yang sering menarik perhatian adalah program makan siang gratis yang ditujukan untuk meningkatkan kesejahteraan sosial. Kebijakan yang direncanakan bertujuan untuk memberikan manfaat bagi anak-anak di Indonesia agar dapat meningkatkan asupan gizi dan nutrisi, tetapi sering kali menimbulkan berbagai reaksi dari masyarakat, terutama di media sosial. Penelitian ini dilakukan untuk menggali sentimen berdasarkan opini tentang rencana kebijakan makan siang gratis oleh pemerintah Indonesia pada media sosial twitter. Total dataset yang dikumpulkan sebanyak 1359 yang telah di-preprocessing, terbagi atas 1000 sentimen negatif, dan 359 sentimen positif. Metode klasifikasi yang digunakan dan menjadi pembanding yaitu Support Vector Machine (SVM), Naïve Bayes (NB), dan Random Forest (RF). Hasil penelitian menunjukkan bahwa metode SVM memiliki tingkat akurasi yang lebih tinggi (85%) dibanding dua metode lainnya.
Abstract
In today's information technology era, public opinion is an important asset in shaping social and political policies. One policy that often attracts attention is the free lunch program aimed at improving social welfare. The planned policy aims to benefit children in Indonesia in order to improve their nutritional intake, but it often generates various reactions from the public, especially on social media. This study was conducted to explore opinion-based sentiment about the free lunch policy plan by the Indonesian government on social media Twitter. The total dataset collected was 1359 that had been cleaned, divided into 1000 negative sentiments, and 359 positive sentiments. The classification methods used for comparison are Support Vector Machine (SVM), Naïve Bayes (NB), and Random Forest (RF). The results show that the SVM method has a higher accuracy rate (85%) than the other two methods.
Downloads
Referensi
A. SAEPULROHMAN, S. SAEPUDIN AND D. GUSTIAN, 2021. Analisis Sentimen Kepuasan Pengguna Aplikasi WhatsApp Menggunakan Algoritma Naïve Bayes Dan Support Vector Machine privat maupun grup. In: is The Best Accounting Information Systems and Information Technology Business Enterprise this is link for OJS us.
ARDHANI, B.A., CHAMIDAH, N. AND SAIFUDIN, T., 2021. Sentiment Analysis Towards Kartu Prakerja Using Text Mining with Support Vector Machine and Radial Basis Function Kernel. Journal of Information Systems Engineering and Business Intelligence, [online] 7(2), p.119. https://doi.org/10.20473/jisebi.7.2.119-128.
BRATA, D.W. AND FARISI, H., 2023. Etalase Online Pedagang Produk UMKM dan Fashion Di Wilayah Kota Malang dalam Penerapan UMKM Berbasis Teknologi Menggunakan Information Retrieval. Jurnal Ilmiah Teknologi Informasi Asia, 17(2), p.109. https://doi.org/10.32815/jitika.v17i2.897.
BRATA, D.W., PURNOMO, W. AND NOFANDI, A., 2024. Extracting Customer Reviews of Restaurants to Explore Service Aspects on Google Review and Tripadvisor as Factors for Quality Improvement. Jurnal Ilmiah Teknologi Infomasi Asia.
CHAUHAN, P., 2017. Sentiment Analysis: A Comparative Study of Supervised Machine Learning Algorithms Using Rapid miner. International Journal for Research in Applied Science and Engineering Technology, [online] V(XI), pp.80–89. https://doi.org/10.22214/ijraset.2017.11011.
EKAWATI, I., SUMADYO, M. AND WHIDHIASIH, R.N., 2022. Analisa Sentimen Masyarakat Terhadap Kebijakan Pemerintah Selama Pandemi Covid-19 Menggunakan Support Vector Machine dan Naïve Bayes. JREC (Journal of Electrical and Electronics)
ISNAIN, A.R., SAKTI, A.I., ALITA, D. AND MARGA, N.S., 2021. Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma Svm. Jurnal Data Mining dan Sistem Informasi, 2(1), p.31. https://doi.org/10.33365/jdmsi.v2i1.1021.
LIU, C., ZHONG, Q., AO, X., SUN, L., LIN, W., FENG, J., HE, Q. AND TANG, J., 2020. Fraud Transactions Detection via Behavior Tree with Local Intention Calibration. In: Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. [online] New York, NY, USA: ACM. pp.3035–3043. https://doi.org/10.1145/3394486.3403354.
M, H. and M.N, S., 2015. A Review on Evaluation Metrics for Data Classification Evaluations. International Journal of Data Mining & Knowledge Management Process, 5(2), pp.01–11. https://doi.org/10.5121/ijdkp.2015.5201.
PADURARIU, C. and BREABAN, M.E., 2019. Dealing with data imbalance in text classification. In: Procedia Computer Science. Elsevier B.V. pp.736–745. https://doi.org/10.1016/j.procs.2019.09.229.
PAMUNGKAS, F.S. and KHARISUDIN, I., 2021. Analisis Sentimen dengan SVM. [online] 4, pp.628–634. Available at: <https://journal.unnes.ac.id/sju/index.php/prisma/>.
PISNER, D.A. and SCHNYER, D.M., 2020. Support vector machine. In: Machine Learning. Elsevier. pp.101–121. https://doi.org/10.1016/B978-0-12-815739-8.00006-7.
RAHAT, A.M., KAHIR, A. and MASUM, A.K.M., 2019. Comparison of Naive Bayes and SVM Algorithm based on Sentiment Analysis Using Review Dataset. In: 2019 8th International Conference System Modeling and Advancement in Research Trends (SMART). IEEE. pp.266–270. https://doi.org/10.1109/SMART46866.2019.9117512.
THARWAT, A., 2021. Classification assessment methods. Applied Computing and Informatics, 17(1), pp.168–192. https://doi.org/10.1016/j.aci.2018.08.003.
WIDIASTUTI, N.I., RAINARLI, E. and DEWI, K.E., 2017. Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen. JURNAL INFOTEL, 9(4), p.416. https://doi.org/10.20895/infotel.v9i4.312.
WIRA YUDHA, S. and WAHYUDI, M., 2018. Komparasi Algoritma Klasifikasi Untuk Analisis Sentimen Review Film Berbahasa Asing. Sistem Informasi Dan Keamanan Siber (SEINASI-KESI) Jakarta-Indonesia
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
