Studi Komparatif IndoBERT dan SVM-TF-IDF untuk Analisis Sentimen Program Makan Bergizi Gratis Nasional
Abstract
Program Makan Bergizi Gratis (MBG) merupakan kebijakan sosial yang banyak diperbincangkan masyarakat karena berkaitan dengan isu pendidikan, gizi, anggaran, dan kesejahteraan publik. Tingginya respons masyarakat pada platform TikTok menunjukkan perlunya analisis sistematis untuk memahami kecenderungan opini publik terhadap pelaksanaan program tersebut. Penelitian ini bertujuan untuk menganalisis opini digital masyarakat terhadap Program MBG, mengidentifikasi distribusi sentimen yang terbentuk, serta membandingkan performa model IndoBERT dan SVM-TF-IDF dalam klasifikasi sentimen komentar TikTok berbahasa Indonesia. Hasil penelitian diharapkan dapat menjadi bahan evaluasi komunikasi kebijakan berbasis data. Data yang digunakan berupa komentar pengguna TikTok yang melalui tahapan preprocessing, meliputi pembersihan teks, penghapusan duplikasi, normalisasi bahasa informal, pengolahan emoji, case folding, dan penyesuaian format teks. Metode yang digunakan adalah klasifikasi teks dengan membandingkan IndoBERT sebagai model berbasis transformer bahasa Indonesia dan Support Vector Machine berbasis TF-IDF sebagai model pembanding. Hasil evaluasi menunjukkan bahwa IndoBERT memperoleh accuracy sebesar 0,8961 dan F1-makro sebesar 0,8347, lebih tinggi dibandingkan SVM-TF-IDF yang memperoleh accuracy sebesar 0,7845 dan F1-makro sebesar 0,6467. Hasil klasifikasi menunjukkan bahwa opini terkait MBG di TikTok didominasi sentimen negatif sebesar 71,7%, diikuti sentimen netral sebesar 14,3% dan sentimen positif sebesar 14,1%. Temuan ini mengindikasikan adanya kritik, kekhawatiran, atau ketidakpuasan masyarakat terhadap beberapa aspek program. Namun, dominasi sentimen negatif tidak dapat dimaknai sebagai penolakan menyeluruh terhadap Program MBG, melainkan sebagai indikator awal persepsi publik di ruang digital. Penelitian ini menyimpulkan bahwa analisis sentimen dapat membantu membaca dinamika opini masyarakat secara lebih sistematis.
Keywords
References
D. M. Boyd and N. B. Ellison, "Social network sites: Definition, history, and scholarship," Journal of Computer-Mediated Communication, vol. 13, no. 1, pp. 210–230, 2007. doi: http://dx.doi.org/10.1111/j.1083-6101.2007.00393.x
B. Liu, "Sentiment Analysis and Opinion Mining." Morgan & Claypool Publishers, 2012. [Online].
Available: https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.pdf
H. S. 'Adilah and R. Alit, "Analisis sentimen masyarakat Twitter terhadap kebijakan pemerintah dalam menaikkan harga bahan bakar minyak dengan menggunakan metode Support Vector Machine," JINACS, vol. 5, no. 2, pp. 201–215, 2023. doi: http://dx.doi.org/10.26740/jinacs.v5n02.p201-215
M. R. Manoppo et al., "Analisis sentimen publik di media sosial terhadap kenaikan PPN 12% di Indonesia menggunakan IndoBERT," Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 2, pp. 152–163, 2025. doi: http://dx.doi.org/10.69916/jkbti.v4i2.322
W. Romadhona and A. R. Isnain, "Analisis sentimen pengguna media sosial terhadap kebijakan kenaikan pajak hiburan menggunakan metode SVM," JIPI: Jurnal Ilmiah Penelitian dan Pembelajaran Informatika, vol. 9, no. 4, pp. 2185–2195, 2024. doi: http://dx.doi.org/10.29100/jipi.v9i4.5603
E. Syahrul and D. Fatharani, "Hybrid sentiment analysis of Maxim app users using Support Vector Machine and lexicon-based approach," Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3S1, 2025. doi: http://dx.doi.org/10.23960/jitet.v13i3S1.8148
F. Koto, A. Rahimi, J. H. Lau, and T. Baldwin, "IndoLEM and IndoBERT: A benchmark dataset and pre-trained language model for Indonesian NLP," in Proc. COLING, 2020. [Online]. Available: https://aclanthology.org/2020.coling-main.66/
B. Wilie et al., "IndoNLU: Benchmark and resources for evaluating Indonesian natural language understanding," in Proc. AACL-IJCNLP, 2020. [Online]. Available: https://aclanthology.org/2020.aacl-main.85/
C. Cortes and V. Vapnik, "Support-vector networks," Machine Learning, vol. 20, pp. 273–297, 1995. doi: http://dx.doi.org/10.1007/BF00994018
G. Salton and C. Buckley, "Term-weighting approaches in automatic text retrieval," Information Processing & Management, vol. 24, no. 5, pp. 513–523, 1988. doi: http://dx.doi.org/10.1016/0306-
(88)90021-0
A. C. Najib, A. Irsyad, G. A. Qandi, and N. A. Rakhmawati, "Perbandingan metode lexicon-based dan SVM untuk analisis sentimen berbasis ontologi pada kampanye Pilpres Indonesia tahun 2019 di Twitter," Fountain of Informatics Journal, vol. 4, no. 2, pp. 41–48, 2019. doi: http://dx.doi.org/10.21111/fij.v4i2.3573
M. Sokolova and G. Lapalme, "A systematic analysis of performance measures for classification tasks," Information Processing & Management, vol. 45, no. 4, pp. 427–437, 2009. doi: http://dx.doi.org/10.1016/j.ipm.2009.03.002
I. Daulay, M. Firdaus, B. Ardiansyah, R. Hutagaol, and R. Rahmaddeni, "Analisis sentimen opini publik terhadap penerimaan bantuan subsidi upah (BSU) menggunakan algoritma Naive Bayes," SENTIMAS, vol. 1, no. 1, pp. 155–162, 2023. [Online]. Available: https://journal.irpi.or.id/index.php/sentimas/article/view/602
F. A. Ahda and M. Zainuddin, "Prediksi kepuasan pelayanan perpustakaan menggunakan algoritma Decision Tree (C4.5)," Jurnal Teknologi Informasi, vol. 10, no. 2, pp. 143–150, 2019. doi: http://dx.doi.org/10.36382/jti-tki.v10i2.368
W. P. Anggraini and M. S. Utami, "Klasifikasi sentimen masyarakat terhadap kebijakan Kartu Pekerja di Indonesia," Faktor Exacta, vol. 13, no. 4, pp. 255, 2021. doi: http://dx.doi.org/10.30998/faktorexacta.v13i4.7964
A. Nurhasananda and M. Akbar, "Analisis sentimen masyarakat terhadap kebijakan Undang-Undang Tentara Nasional Indonesia (UU TNI) menggunakan Support Vector Machine," Jurnal Komputer Informasi dan Teknologi, vol. 5, no. 1, pp. 14–14, 2025. doi: http://dx.doi.org/10.53697/jkomitek.v5i1.2603
N. N. A. Aryanti and O. Suria, "Analisis sentimen terhadap pemutusan hubungan kerja di Indonesia: Komparasi IndoBERT dengan SVM, Random Forest, dan Decision Tree dengan optimasi TF-IDF," Rabit: Jurnal Teknologi dan Sistem Informasi Univrab, vol. 10, no. 2, pp. 1158–1176, 2025. doi: http://dx.doi.org/10.36341/rabit.v10i2.6364
A. R. Isnain, A. I. Sakti, D. Alita, and N. S. Marga, "Sentimen analisis publik terhadap kebijakan lockdown pemerintah Jakarta menggunakan algoritma SVM," Jurnal Data Mining dan Sistem Informasi, vol. 2, no. 1, pp. 31–37, 2021. doi: http://dx.doi.org/10.33365/jdmsi.v2i1.1021
R. Yunita and M. Kamayani, "Perbandingan algoritma SVM dan Naïve Bayes pada analisis sentimen penghapusan kewajiban skripsi," The Indonesian Journal of Computer Science, vol. 12, no. 5, 2023. doi: http://dx.doi.org/10.33022/ijcs.v12i5.3415
L. Rofiqi and M. Akbar, "Analisis sentimen terkait RUU Perampasan Aset dengan Support Vector Machine," JEKIN: Jurnal Teknik Informatika, vol. 4, no. 3, pp. 529–538, 2024. doi: http://dx.doi.org/10.58794/jekin.v4i3.824
F. A. Indriyani, A. Fauzi, and S. Faisal, "Analisis sentimen aplikasi TikTok menggunakan algoritma Naïve Bayes dan Support Vector Machine," TEKNOSAINS: Jurnal Sains, Teknologi dan Informatika, vol. 10, no. 2, pp. 176–184, 2023. doi: http://dx.doi.org/10.37373/tekno.v10i2.419
P. A. Permatasari, L. Linawati, and L. Jasa, "Survei tentang analisis sentimen pada media sosial," Majalah Ilmiah Teknologi Elektro, vol. 20, no. 2, pp. 177–186, 2021. doi: http://dx.doi.org/10.24843/MITE.2021.v20i02.P01
S. Khairunnisa, A. Adiwijaya, and S. Al Faraby, "Pengaruh text preprocessing terhadap analisis sentimen komentar masyarakat pada media sosial Twitter," Jurnal Media Informatika Budidarma, vol. 5, no. 2, pp. 406, 2021. doi: http://dx.doi.org/10.30865/mib.v5i2.2835
P. Arsi and R. Waluyo, "Sentiment analysis of discourse on moving the Indonesian capital city using the Support Vector Machine (SVM) algorithm," J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 1, pp. 147–156, 2021, doi: https://doi.org/10.25126/jtiik.0813944.
T. A. Dewi and E. Mailoa, "Perbandingan implementasi metode SMOTE pada algoritma Support Vector Machine (SVM) dalam analisis sentimen opini masyarakat tentang Mixue," Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 4, no. 3, pp. 849–855, 2023. doi: http://dx.doi.org/10.35870/jimik.v4i3.289
S. Juanita, "Analisis sentimen persepsi masyarakat terhadap Pemilu 2019 pada media sosial Twitter menggunakan Naive Bayes," Jurnal Media Informatika Budidarma, vol. 4, no. 3, 2020. doi: http://dx.doi.org/10.30865/mib.v4i3.2140
L. B. Ilmawan and M. A. Mude, "Perbandingan metode klasifikasi Support Vector Machine dan Naïve Bayes pada analisis sentimen Twitter," SMATIKA Jurnal, vol. 10, no. 2, 2020. doi: http://dx.doi.org/10.32664/smatika.v10i02.455
D. Sugiarto, E. Utami, and A. Yaqin, "Perbandingan kinerja model TF-IDF dan BOW untuk klasifikasi opini publik tentang kebijakan BLT minyak goreng," Jurnal Teknik Industri, vol. 12, no. 3, 2022. doi: http://dx.doi.org/10.25105/jti.v12i3.15669
S. A. Salsabila, B. Priyatna, A. Hananto, and Tukino, "Komparasi kinerja model Naive Bayes, SVM, dan BERT dalam klasifikasi sentimen ulasan pada aplikasi YUMMY," STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer, vol. 4, no. 2, pp. 42–47, 2025. doi: http://dx.doi.org/10.55123/storage.v4i2.5120
F. F. Mailoa, "Analisis sentimen data Twitter menggunakan metode text mining tentang masalah obesitas di Indonesia," Journal of Information Systems for Public Health, vol. 6, no. 1, pp. 44, 2021. doi: http://dx.doi.org/10.22146/jisph.44455
A. N. Syafia, M. F. Hidayattullah, and W. Suteddy, "Studi komparasi algoritma SVM dan Random Forest pada analisis sentimen komentar YouTube BTS," Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, no. 3, pp. 207–212, 2023. doi: http://dx.doi.org/10.30591/jpit.v8i3.5064
I. Septiana and D. Alita, "Perbandingan Random Forest dan SVM dalam analisis sentimen quick count Pemilu 2024," Jurnal Informatika: Jurnal Pengembangan IT, vol. 9, no. 3, pp. 224–233, 2024. doi: http://dx.doi.org/10.30591/jpit.v9i3.6640
F. Alvin and N. A. S. Winarsih, "Perbandingan kinerja model IndoBERT, IndoBERTweet, dan algoritma klasik pada analisis sentimen isu Indonesia Gelap," Building of Informatics, Technology and Science (BITS), vol. 7, no. 3, pp. 1601–1613, 2025. doi: https://doi.org/10.47065/bits.v7i3.8636
A. Vaswani et al., "Attention is all you need," in Advances in Neural Information Processing Systems, 2017. doi: https://doi.org/10.5555/3295222.3295349
J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, "BERT: Pre-training of deep bidirectional transformers for language understanding," in Proc. NAACL-HLT, pp. 4171–4186, 2019. [Online]. Available: https://aclanthology.org/N19-1423/
DOI: http://dx.doi.org/10.30872/jurti.v10i2.28221
Refbacks
- There are currently no refbacks.
Copyright (c) 2026 Jurnal Rekayasa Teknologi Informasi (JURTI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Alamat Redaksi :
Program Studi Informatika
Fakultas Teknik
Jl. Sambaliung No. 9 Kampus Gunung Kelua Samarinda 75119 - Kalimantan Timur
e-mail : jurti.unmul@fkti.unmul.ac.id
Url : http://e-journals.unmul.ac.id/index.php/INF
Contact Person : Medi Taruk [08195075640]
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.