Perbandingan Metode Support Vector Machine dan Pohon Keputusan dalam Analisis Sentimen Pengguna Media Sosial Terhadap Program Makanan Bergizi Gratis

Gambar Ilustration AI

FORMOSA NEWS - Medan - Algoritma Support Vector Machine Unggul Petakan Sentimen Publik Media Sosial X Terhadap Program Makan Bergizi Gratis. Penelitian yang dilakukan oleh Olinda Nathaniel Mendrofa, Deva Angriani, dan Elvis Sastra Ompusunggu dari Universitas Prima Indonesia dalam artikel penelitian yang dipublikasikan pada Formosa Journal of Computer and Information Science (FJCIS) edisi Vol. 5 No. 2 Tahun 2026 menyoroti bahwa algoritma SVM unggul dengan tingkat akurasi mencapai 75,42 persen dibanding Decision Tree yang mencatatkan akurasi 72,08 persen. Studi ini memberikan fondasi krusial berbasis data numerik untuk membantu pemerintah memantau aspirasi publik secara cerdas dan akurat.

Persoalan tengkes atau stunting masih menjadi tantangan utama pembangunan sumber daya manusia di Indonesia. Berdasarkan data Organisasi Kesehatan Dunia (WHO) tahun 2024, sekitar 150,2 juta atau 23,2 persen anak balita di dunia mengalami stunting. Di Indonesia, hasil Survei Status Gizi Indonesia (SSGI) 2024 menunjukkan prevalensi stunting nasional berhasil diturunkan menjadi 19,8 persen. Untuk mempercepat penurunan stunting sesuai target Peraturan Presiden Nomor 72 Tahun 2021, pemerintah Presiden Prabowo Subianto meluncurkan agenda prioritas Program Makan Bergizi Gratis yang menargetkan sekitar 82,9 juta penerima manfaat, mulai dari balita, siswa sekolah, hingga ibu hamil. Pelaksanaan kebijakan berskala nasional ini memicu perdebatan hangat di media sosial X yang memiliki lebih dari 24 juta pengguna aktif di Indonesia.

Guna memahami arah pandangan masyarakat terhadap program MBG, Olinda Nathaniel Mendrofa dan timnya merancang sistem komputasi berbasis teknik pemrosesan bahasa alami (Natural Language Processing). Tahapan penelitian diawali dengan pengumpulan data digital (crawling) menggunakan alat Tweet Harvest di platform X untuk periode unggahan Januari 2025 hingga Februari 2026. Data opini publik yang terkumpul dibersihkan melalui serangkaian tahapan pra-pemrosesan data, meliputi penghapusan karakter tidak relevan (cleaning), pengubahan huruf kecil (case folding), pemecahan kata (tokenizing), normalisasi kata baku, penghapusan kata hubung (stopword removal), hingga pengubahan kata ke bentuk dasar (stemming).

Setelah teks menjadi bersih, peneliti menerapkan metode Term Frequency-Inverse Document Frequency (TF-IDF) untuk mengubah kata-kata verbal menjadi bobot matriks numerik. Ekstraksi fitur numerik ini memungkinkan algoritma kecerdasan buatan menghitung signifikansi setiap kata dalam dokumen secara presisi. Dataset kemudian dibagi menjadi dua bagian dengan rasio 80:20, yakni 80 persen data untuk melatih model (training data) dan 20 persen data sisanya untuk pengujian independen (testing data). Evaluasi kinerja model diukur secara komprehensif menggunakan matriks konfusi (confusion matrix) dengan parameter akurasi, presisi, recall, dan F1-Score.

Studi eksperimental ini menghasilkan beberapa temuan utama terkait distribusi sentimen publik dan performa algoritma komputasi:

• Dari total 1.200 sampel unggahan masyarakat di media sosial X, kecenderungan opini publik terbanyak mengarah pada sentimen negatif sebesar 526 data (43,83 persen), disusul sentimen positif sebanyak 477 data (39,75 persen), dan sentimen netral sebanyak 197 data (16,42 persen).
  
• Algoritma Support Vector Machine (SVM) terbukti lebih unggul dalam mengklasifikasikan sentimen opini masyarakat dengan meraih akurasi sebesar 75,42 persen, presisi 74,65 persen, recall 75,42 persen, dan F1-Score 74,96 persen.
  
• Algoritma Decision Tree menghasilkan kinerja klasifikasi di bawah SVM dengan tingkat akurasi sebesar 72,08 persen, presisi 73,33 persen, recall 72,08 persen, dan F1-Score 72,59 persen.
  
• Hasil pengujian menunjukkan bahwa pendekatan pemisah garis batas (hyperplane) pada SVM lebih efisien dalam memisahkan teks opini media sosial yang kompleks dibanding struktur percabangan berbasis aturan (rule-based tree) pada Decision Tree.
  
• Visualisasi kata kunci (word cloud) mengungkap bahwa kata-kata dominan pada sentimen positif meliputi "anak", "sehat", "cerdas", dan "masa depan", sementara pada sentimen negatif diwarnai kekhawatiran seputar "anggaran", "keracunan", dan "efektivitas".
  

Temuan penelitian ini memiliki implikasi strategis bagi perumusan kebijakan publik dan pengembangan teknologi pemantauan media. Bagi pemerintah dan Badan Gizi Nasional, hasil klasifikasi sentimen negatif dapat dijadikan bahan evaluasi kritis untuk membenahi pengawasan higiene, kualitas bahan pangan, serta transparansi tata kelola anggaran program MBG di lapangan. Dari sudut pandang sains data dan kecerdasan buatan, keberhasilan metode SVM memberikan bukti empiris bahwa pemantauan opini publik secara real-time dapat dilakukan secara otomatis tanpa relying pada survei manual yang memakan waktu dan biaya besar.

Profil Peneliti:
Olinda Nathaniel Mendrofa: Peneliti utama dan akademisi dari Universitas Prima Indonesia, memiliki fokus keahlian di bidang Data Science, Machine Learning, dan Sentiment Analysis.
Deva Angriani: Anggota tim peneliti dari Universitas Prima Indonesia dengan keahlian spesifik pada pemrosesan bahasa alami (Natural Language Processing) dan penambangan teks (Text Mining).
Elvis Sastra Ompusunggu: Anggota tim peneliti dari Universitas Prima Indonesia yang berfokus pada analisis algoritma komputasi, kecerdasan buatan, dan arsitektur sistem informasi.

Sumber Penelitian:
Mendrofa, O. N., Angriani, D., & Ompusunggu, E. S. (2026). Comparasion of Support Vector Machine and Decision Tree Methods in Sentiment Analysis of Social Media X User Toward the Free Nutritious Meal Program. Formosa Journal of Computer and Information Science (FJCIS), Vol. 5, No. 2, hlm. 229–242.
DOI: https://doi.org/10.55927/fjcis.v5i2.16668
URL: https://journal.formosapublisher.org/index.php/fjcis