Evaluasi Algoritma KNN dan Naive Bayes untuk Analisis Sentimen Kebijakan Program Makan Bergizi Gratis

Nur Sakina, Farid Wajidi, Muh. Rafli Rasyid

Abstract


Social media has become a primary platform for the public to express opinions on government policies, including Indonesia’s Free Nutritious Meal (MBG) program. This study analyzes public sentiment toward MBG by comparing the K-Nearest Neighbor (KNN) and Naive Bayes algorithms. A total of 9,723 tweets were collected, and after removing the neutral category, 6,322 tweets remained (3,955 positive and 2,367 negative), indicating a dominance of positive opinions. The experimental results show that KNN performed best at k=9 with a 70:30 split, achieving an accuracy of 72.27% and an F1-score of 65.92%, with an average cross-validation accuracy of 73.30%. Naive Bayes with parameter α=0.5 consistently outperformed KNN, achieving an average accuracy of 79.61% and an F1-score of 77.33%, along with better precision–recall balance. The main contribution of this research is providing empirical evidence that Naive Bayes is more effective than KNN for sentiment analysis of Indonesian-language text with a large dataset, as well as offering a methodological framework applicable to the evaluation of other public policies.

Media sosial menjadi ruang utama masyarakat untuk mengekspresikan opini terhadap kebijakan publik, termasuk Program Makan Bergizi Gratis (MBG) di Indonesia. Penelitian ini menganalisis sentimen publik terhadap MBG dengan membandingkan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes. Data diperoleh dari 9.723 tweet, kemudian setelah penghapusan kategori netral tersisa 6.322 tweet (3.955 positif dan 2.367 negatif), yang menunjukkan dominasi opini positif. Hasil eksperimen menunjukkan bahwa KNN terbaik pada k=9 dengan rasio 70:30 menghasilkan akurasi 72,27% dan F1-score 65,92%, dengan akurasi rata-rata cross-validation 73,30%. Naive Bayes dengan parameter α=0,5 unggul dengan akurasi rata-rata 79,61% dan F1-score 77,33%, serta keseimbangan presisi dan recall yang lebih baik. Kontribusi penelitian ini adalah memberikan bukti empiris bahwa Naive Bayes lebih efektif dibandingkan KNN dalam analisis sentimen teks berbahasa Indonesia dengan dataset besar, serta menawarkan kerangka metodologis yang dapat diterapkan untuk evaluasi kebijakan publik lainnya.

Keywords


Analisis Sentimen; Media Sosial; Makan Bergizi Gratis; Naive Bayes; K-Nearest Neighbor

Full Text:

PDF

References


Abdillah, T., Khaira, U., & Hutabarat, B. F. (2024). Komparasi Metode Naive Bayes dan K-Nearest Neighbors Terhadap Analisis Sentimen Pengguna Aplikasi Zenius. Processor: Jurnal Ilmiah Sistem Informasi, Teknologi Informasi dan Sistem Komputer, 19(1). https://doi.org/10.33998/processor.2024.19.1.1596

Aziz, A., & Fauziah. (2022). Analisis Sentimen Identifikasi Opini Terhadap Produk, Layanan dan Kebijakan Perusahaan Menggunakan Algoritma TF-IDF dan SentiStrength. Jurnal Sains Komputer & Informatika (J-SAKTI), 6(1), 115–125. https://tunasbangsa.ac.id/ejurnal/index.php/jsakti/article/view/430

Bau, R. T. R. L., Hermila, A., Farman, I., Hidayat, L. M., & Salim, S. (2023). AI Perspectives in Education: A BERT-based Exploration of Informatics Students’ Attitudes to ChatGPT. 2023 9th International Conference on Education and Technology (ICET), 36–41. https://doi.org/10.1109/ICET59790.2023.10435040

Berliana, H., & Yusuf, R. (2025). Analisis sentimen terhadap penggunaan donasi korban penyiraman air keras pada media sosial X.com menggunakan metode BERT. Journal of Science and Social Research, 8(2), 1134–1142. https://www.jurnal.goretanpena.com/index.php/JSSR/article/view/3078

Habbat, N., Nouri, H., Anoun, H., & Hassouni, L. (2023). Sentiment analysis of imbalanced datasets using BERT and ensemble stacking for deep learning. Engineering Applications of Artificial Intelligence, 126, 106999. https://doi.org/10.1016/j.engappai.2023.106999

Habib Kusuma, I., & Cahyono, N. (2023). Analisis Sentimen Masyarakat Terhadap Penggunaan E-Commerce Menggunakan Algoritma K-Nearest Neighbor. Jurnal Informatika: Jurnal pengembangan IT (JPIT), 8(3), 302–307. https://doi.org/10.30591/jpit.v8i3.5734

Iman, A. K., & Ujianto, E. I. H. (2024). Analisis Sentimen Pemindahan Ibu Kota Indonesia Menggunakan K-Nearest Neighbor. Jurnal Pendidikan dan Teknologi Indonesia (JPTI), 4(12), 759–768. https://doi.org/10.52436/1.jpti.546

Khadapi, M., & Pakpahan, V. M. (2024). Analisis Sentimen Berbasis Jaringan LSTM dan BERT terhadap Diskusi Twitter tentang Pemilu 2024. JUKI : Jurnal Komputer dan Informatika, 6(2), 130–137. https://ioinformatic.org/index.php/JUKI/article/view/681

Khoerunnisa, S., Shiddieq, D. F., & Nurhayati, D. (2025). Penerapan Algoritma Naive Bayes dengan Teknik TF-IDF dan Cross Validation untuk Analisis Sentimen Terhadap Starlink. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5(2), 566–577. https://doi.org/10.57152/malcom.v5i2.1852

Ma’aly, A. N., Pramesti, D., Fathurahman, A. D., & Fakhrurroja, H. (2024). Exploring Sentiment Analysis for the Indonesian Presidential Election Through Online Reviews Using Multi-Label Classification with a Deep Learning Algorithm. Information (Switzerland), 15(11). https://doi.org/10.3390/info15110705

Punusingon, P. V., Yusupa, A., & Tarigan, V. (2025). Analisis Sentimen Pemilihan Remaja Teladan Wilayah Ratahan Menggunakan Algoritma Naive Bayes. Journal Computer and Technology, 3(1), 65–73. https://ojs.ninetyjournal.com/index.php/COMTECHNO/article/view/337

Puspita, R., & Widodo, A. (2021). Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS. Jurnal Informatika Universitas Pamulang, 5(4), 646. https://doi.org/10.32493/informatika.v5i4.7622

Rizqika, V., Handoko, P., & Rochmania, A. (2025). Self disclosure generasi Z melalui media sosial X (Twitter). Jurnal Ilmu Komunikasi UHO, 10(2), 397–411. https://jurnalilmukomunikasi.uho.ac.id/index.php/journal/article/view/348/205

Sanjaya, T. P. R., Fauzi, A., & Masruriyah, A. F. N. (2023). Analisis Sentimen Ulasan Pada E-Commerce Shopee Menggunakan Algoritma Naive Bayes dan Support Vector Machine. INFOTECH : Jurnal Informatika & Teknologi, 4(1), 16–26. https://doi.org/10.37373/infotech.v4i1.422

Saragih, N. N., & Kurniawan, R. (2025). Analisis Sentimen Menggunakan Metode Naïve Bayes Tentang Program Mudik Gratis Pemerintah Kota Medan 2024. Journal of Computer Engineering, System and Science, 10(1), 299–311. https://jurnal.unimed.ac.id/2012/index.php/cess

Sitanggang, Umaidah, Y., & Adam, R. I. (2024). Analisis sentimen masyarakat terhadap Program Makan Siang Gratis pada media sosial X menggunakan Algoritma Naïve Bayes. Jurnal Informatika dan Teknik Elektro Terapan, 12(3), 2755–2762. https://doi.org/10.23960/jitet.v12i3.4902

Syifa, H. A. N., Nugroho, A., & Firliana, R. (2023). Perbandingan Algoritma Naïve Bayes Classifier Dan K-Nearest Neighbors Untuk Analisis Sentimen Covid-19 Di Twitter. Jurnal Ilmiah Informatika (JIF), 11(01), 54–62. https://doi.org/10.33884/jif.v11i01.7069

Taufiqqurrahman, H., Tri Anggraeny, F., & Al Haromainy, M. M. (2023). Perbandingan Algoritma Naïve Bayes Dan K-Nearest Neighbor Pada Analisis Sentimen Ulasan Aplikasi Mypertamina. Jurnal Mahasiswa Teknik Informatika, 7(6), 3934–3939.

Trisno Aji, W. (2025). Makan Bergizi Gratis di Era Prabowo-Gibran: Solusi untuk Rakyat atau Beban Baru? NAAFI: Jurnal Ilmiah Mahasiswa, 2(2). https://jurnal.stkip-majenang.ac.id/index.php/naafi/article/view/134

Widodo, S., Brawijaya, H., & Samudi, S. (2022). Stratified K-fold cross validation optimization on machine learning for prediction. Sinkron, 7(4), 2407–2414. https://doi.org/10.33395/sinkron.v7i4.11792




DOI: https://doi.org/10.37905/jji.v1i2.34418

Refbacks

  • There are currently no refbacks.