Analisis Sentimen Publik Terhadap Perkembangan Topik Program Makan  Bergizi Gratis (MBG) Menggunakan Algoritma Support  Vector Machine (SVM) Dan K-Means Clustering

Rahma Yuni Simanullang; Zulham Sitorus; Muhammad Iqbal

doi:10.30865/json.v8i1.10189

Authors

Rahma Yuni Simanullang Universitas Pembangunan Panca Budi
Zulham Sitorus Universitas Pembangunan Panca Budi
Muhammad Iqbal Universitas Pembangunan Panca Budi

DOI:

https://doi.org/10.30865/json.v8i1.10189

Keywords:

Program Makan Bergizi Gratis, Analisis Sentimen, Support Vector Machine, K-Means Clustering, TF-IDF

Abstract

Program Makan Bergizi Gratis (MBG) merupakan salah satu program prioritas pemerintah yang mulai diterapkan secara bertahap pada tahun 2025 untuk membantu memenuhi kebutuhan gizi peserta didik. Pelaksanaan program tersebut menimbulkan beragam tanggapan masyarakat melalui media sosial sehingga menghasilkan data komentar yang besar dan tidak terstruktur. Kondisi tersebut menyulitkan identifikasi kecenderungan sentimen dan topik yang berkembang apabila dilakukan secara manual. Penelitian ini bertujuan menganalisis sentimen publik serta mengidentifikasi kelompok topik pembahasan terkait Program MBG menggunakan algoritma Support Vector Machine (SVM) dan K-Means Clustering. Data penelitian terdiri dari 2.783 komentar pada salah satu video Chanel YouTube yaitu COMPAS.TV yang membahas MBG, sedangkan survei dan wawancara terhadap guru dan siswa digunakan sebagai bahan perbandingan bagi penulis. Tahapan penelitian meliputi preprocessing, pelabelan sentimen, pembobotan Term Frequency-Inverse Document Frequency (TF-IDF), klasifikasi menggunakan SVM, dan clustering menggunakan K-Means. Hasil klasifikasi SVM terhadap 557 data testing menghasilkan accuracy 81,51%, precision 81,48%, recall 81,51%, dan F1-score 81,29%. Selanjutnya, hasil Elbow Method menunjukkan jumlah cluster optimal sebanyak empat cluster (K=4). Dari 2.783 komentar, Cluster 1 terdiri atas 2.133 komentar (76,64%), Cluster 2 sebanyak 263 komentar (9,45%), Cluster 3 sebanyak 143 komentar (5,14%), dan Cluster 4 sebanyak 244 komentar (8,77%). Berdasarkan kata dominan, cluster merepresentasikan pandangan umum terhadap MBG, kritik terhadap manfaat dan pengelolaan MBG, keraguan dan kritik terhadap kebijakan pemerintah, serta kritik terhadap pemerintah dan pelaksanaan MBG. Hasil penelitian menunjukkan bahwa kombinasi SVM dan K-Means dapat memberikan gambaran mengenai kecenderungan sentimen dan topik pembahasan publik terhadap Program MBG.

References

[1] H. Rodhiy And Z. Sitorus, “Data Mining Menggunakan Algoritma Apriori Dalam Menentukan Tarif Pajak Penghasilan Di Oenity,” Bull. Inf. Technol., Vol. 4, No. 2, Pp. 198–204, 2023.

[2] Z. Sitorus, E. Hariyanto, And F. Kurniawan, “Analysis Of Artificial Intelligence Machine Learning Technology For Mapping And Predicting Flood Locations In Pahlawan Batu Bara Village,” Int. J. Comput. Sci. Math. Eng., Vol. 2, No. 2, Pp. 281–288, 2023.

[3] S. Sharifymoghaddam Et Al., “Rankllm: A Python Package For Reranking With Llms,” In Proceedings Of The 48th International Acm Sigir Conference On Research And Development In Information Retrieval, 2025, Pp. 3681–3690.

[4] M. Mukhlisin, B. Berlilana, And R. E. Saputro, “Literature Review: Comparison Of Machine Learning Algorithms For Sentiment Analysis Of Free Nutritious Meals,” Sist. J. Sist. Inf., Vol. 15, No. 3, Pp. 1110–1120, 2026.

[5] Z. Sitorus And M. Indra, “Analysis Of Room Allocation Based On Age In Nursing Homes Using The C4 . 5 Decision Tree Method,” J. Inf. Technol. Comput. Sci. Electr. Eng., Vol. 1, No. 2, Pp. 153–157, 2024, Doi: 10.61306/Jitcse.V1i2.

[6] Z. S. Iswadi Hamzah, “Analisa Classification Decision Tree C45 Dan Naïve Bayes Pada Indikasi Penyakit Diabetes Menggunakan Rapid Miner,” J. Nas. Teknol. Komput., Vol. 4, No. 1, Pp. 25–33, 2024.

[7] Z. Sitorus, I. Syahputra, C. I. Angkat, And D. Sartika, “Implementation Of K-Means Clustering For Inventory Projection,” Pp. 673–678.

[8] M. Sunjaya, Z. Sitorus, M. Iqbal, And A. P. U. Siahaan, “Analysis Of Machine Learning Approaches To Determine Online Shopping Ratings Using Naïve Bayes And Svm,” Int. J. Comput. Sci. Math. Eng., Vol. 3, No. 1, Pp. 7–16, 2024.

[9] W. Wicaksono, A. Brastama Putra, And Agussalim, “Sistem Pendukung Keputusan Kelayakan Pinjaman Kredit Berbasis Web (Di Pt. Fif Group Cabang Surabaya),” J. Inform. Dan Sist. Inf., Vol. 2, No. 3, Pp. 503–510, 2021, Doi: 10.33005/Jifosi.V2i3.411.

[10] R. Damanhuri And V. A. Husein, “Analisis Sentimen Pada Ulasan Aplikasi Access By Kai Berbahasa Indonesia Menggunakan Word-Embedding Dan Classical Machine Learning,” J. Masy. Inform., Vol. 15, No. 2, Pp. 97–106, 2024, Doi: 10.14710/Jmasif.15.2.62383.

[11] A. S. Manah, “Analisis Sentimen Publik Terhadap Kasus Keracunan Makanan Mbg Berbasis Data Media Sosial Menggunakan Model Indobert,” J. Inform. Dan Tek. Elektro Terap., Vol. 14, No. 2, 2026.

[12] M. L. Akmal, D. Pernadi, And J. Kusumaningrum, “Analisis Sentimen Program Makan Siang Gratis Menggunakan Multinomial Naive Bayes,” J. Ilm. Sinus, Vol. 23, No. 1, Pp. 117–126, 2025.

[13] Z. Sitorus, M. Iqbal, D. Nasution, And R. F. Wijaya, “Penerapan Deep Learning Dan Analisis Sentimen Terhadap Gap Kompetensi Lulusan Lembaga Pendidikan Dan Pelatihan Vokasi Terhadap Dunia Kerja Dengan Metode Long Short-Term Memory ( Lstm ),” Vol. 6, No. 2, Pp. 0–11, 2025, Doi: 10.47065/Bit.V5i2.2029.

[14] Y. T. Handika, S. Defit, And G. W. Nurcahyo, “Text Mining Dalam Membandingkan Metode Naïve Bayes Dengan C. 45 Dalam Mengidentifikasi Berita Hoax Pada Media Sosial,” Rang Tek. J., Vol. 5, No. 1, Pp. 116–123, 2022.

[15] A. E. Widjaja, A. Fransisko, And C. A. Haryani, “Text Mining Application With K-Means Clustering To Identify Sentiments And Popular Topics : A Case Study Of The Three Largest Online Marketplaces In Indonesia,” Inform. J. Ilmu Komput., Vol. 4, No. 4, Pp. 441–453, 2023.

[16] Z. Purwanti, “Pemodelan Text Mining Untuk Analisis Sentimen Terhadap Program Makan Siang Gratis Di Media Sosial X Menggunakan Algoritma Support Vector Machine ( Svm ),” J. Abdinus J. Pengabdi. Nusant., Vol. 5, No. 3, Pp. 3065–3079, 2024.

[17] B. Rahmatullah, S. A. Saputra, P. Budiono, And D. P. Wigandi, “Sentimen Analisis Makan Bergizi Gratis Menggunakan Algoritma Naive Bayes,” J. Inf. Technol., Vol. 5, No. 1, 2025.

[18] M. E. Zainuri, “Analisis Sentimen Program Makan Bergizi Gratis (Mbg) Pada Platform X Dengan Menggunakan Metode Naïve Bayes,” J. Univ. Din., 2026.

[19] N. P. A. Noviyanti And I. G. N. A. C. Putra, “Penerapan Multinomial Naïve Bayes Dan Chi-Square Pada Analisis Sentimen Makan Bergizi Gratis,” J. Nas. Teknol. Inf. Dan Apl., Vol. 3, No. 4, Pp. 785–794, 2025.

[20] N. Sakina, F. Wajidi, And M. R. Rasyid, “Evaluasi Algoritma Knn Dan Naive Bayes Untuk Analisis Sentimen Kebijakan Program Makan Bergizi Gratis,” Jambura J. Informatics, Vol. 1, No. 2, Pp. 83–97, 2025.

[21] D. C. Nugroho, A. D. Agustina, B. Maulana, F. Darussalam, M. Asyraf, And B. O. Lubis, “Penerapan Metode Support Vector Machine Untuk Analisis Sentimen Publik Pada Program Makan Bergizi Gratis,” Infotech J., Vol. 11, No. 2, Pp. 474–479, 2025.

[22] D. A.-T. Mukarom, G. P. Pangestu, M. F. Margadipraja, And H. M. Winata, “Analisis Sentimen Berbasis Aspek Terhadap Program ‘Makan Bergizi Gratis (Mbg)’ Di Twitter/X Dengan Pendekatan Efektivitas Duncan,” J. Pendidik. Sos. Dan Hum., Vol. 5, No. 1, Pp. 1890–1907, 2026.

[23] T. Yuniarti And B. Andriza, “Analisis Sentimen Dan Opini Publik: Evaluasi Komunikasi Media Sosial Instagram Tim Kepresidenan@ Pco. Ri Dalam Menangani Kontroversi Program Makan Bergizi Gratis (Mbg),” J. Ilmu Komun. Uho J. Penelit. Kaji. Ilmu Komun. Dan Inf., Vol. 11, No. 1, Pp. 200–215, 2026.

[24] R. A. Munir, A. Voutama, U. S. Karawang, T. Timur, And J. Barat, “Analisis Sentimen Cuitan Di Media Sosial X Tentang Program Makan Bergizi Gratis Dengan Metode Nlp,” J. Inform. Dan Elektro Terap., Vol. 13, No. 3, Pp. 589–595, 2025.

[25] K. Y. Pratama, S. Achmadi, And K. A. Sari, “Analisis Sentimen Terhadap Makan Bergizi Gratis Pada Sosial Media X Menggunakan Metode Decicion Tree Dengan Pembanding Naive Bayes,” Jati (Jurnal Mhs. Tek. Inform., Vol. 9, No. 6, Pp. 11061–11067, 2025.

[26] S. A. S. Mola, Y. C. Luttu, And D. N. Rumlaklak, “Perbandingan Metode Machine Learning Dalam Analisis Sentimen Komentar Pengguna Aplikasi Indriver Pada Dataset Tidak Seimbang,” J. Sist. Inf. Bisnis, Vol. 14, No. 3, Pp. 247–255, 2024, Doi: 10.21456/Vol14iss3pp247-255.

[27] C. A. Bahri And L. H. Suadaa, “Aspect-Based Sentiment Analysis In Bromo Tengger Semeru National Park Indonesia Based On Google Maps User Reviews,” Ijccs (Indonesian J. Comput. Cybern. Syst., Vol. 17, No. 1, P. 79, 2023, Doi: 10.22146/Ijccs.77354.

[28] A. Pambudi And S. Suprapto, “Effect Of Sentence Length In Sentiment Analysis Using Support Vector Machine And Convolutional Neural Network Method,” Ijccs (Indonesian J. Comput. Cybern. Syst., Vol. 15, No. 1, P. 21, 2021, Doi: 10.22146/Ijccs.61627.

[29] A. Putera, U. Siahaan, N. A. Harahap, And R. Y. Simanullang, “Analysis Of Inpatient Data Using Cluster Analysis On Simulation Dataset,” J. Bit (Bulletin Inf. Technol., Vol. 6, No. 1, Pp. 33–39, 2025, Doi: 10.47065/Bit.V5i2.1830.

[30] P. K. Berindikasi, M. A. Syawal, And B. A. Pradhana, “Implementation Of The K-Means Method For Grouping Words Indicative Of Cyberbullying In,” Inform. J. Tek. Inform. Dan Multimed., Vol. 9, No. 2, Pp. 330–347, 2025, Doi: 10.52362/Jisicom.V9i2.2163.

[31] M. Herviany, S. Putri Delima, T. Nurhidayah, And Kasini, “Comparison Of K-Means And K-Medoids Algorithms For Grouping Landslide Prone Areas In West Java Province,” Malcom Indones. J. Mach. Learn. Comput. Sci., Vol. 1, No. 1, Pp. 34–40, 2021.

[32] D. M. Putra And F. F. Abdulloh, “Comparison Of Clustering Algorithms : Fuzzy C-Means , K-Means , And Dbscan For House Classification Based On Specifications And Price,” J. Appl. Informatics Comput., Vol. 8, No. 2, Pp. 509–515, 2024.

[33] T. Arya Bimantoro, Y. Rahmawati, Y. Findawati, And M. A. Rosid, “Sentiment Analysis Of Youtube Comments On The East Java Grant Case Using The Support Vector Machine (Svm) Algorithm. [Analisis Sentimen Komentar Youtube Terhadap Kasus Dana Hibah Jawa Timur Menggunakan Algoritma Support Vector Machine (Svm)],” J. Abdimas, Vol. 1, No. 1, Pp. 1–13, 2022.

[34] S. Howay And S. Suhirman, “Comparison Of Svm, Nbc, And Knn Classification Methods In Determining Students’ Majors At Smk N02 Manokwari,” J. Comput. Sci. Technol. Stud., Vol. 5, No. 1, Pp. 15–23, 2023, Doi: 10.32996/Jcsts.2023.5.1.3.