Perbandingan Algoritma SVM dan Logistic Regression dalam Klasifikasi Sentimen Masyarakat terhadap Program MBG

Ulfi Muzayyanah Fadil; Aidil Halim Lubis

doi:10.56211/sudo.v5i3.1966

Authors

Ulfi Muzayyanah Fadil Universitas Islam Negeri Sumatera Utara
Aidil Halim Lubis Universitas Islam negeri Sumatera Utara

DOI:

https://doi.org/10.56211/sudo.v5i3.1966

Keywords:

Analisis Sentimen; Klasifikasi Teks; Logistic Regression; MBG; SVM

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Logistic Regression dalam klasifikasi sentimen masyarakat terhadap Program Makan Bergizi Gratis (MBG). Mengingat besarnya volume data teks tidak terstruktur pada media digital, evaluasi sentimen secara konvensional menjadi tidak efektif. Penelitian ini mengimplementasikan metode supervised learning untuk memetakan polaritas opini publik secara otomatis. Data penelitian diperoleh melalui teknik web crawling pada media sosial X (Twitter) dengan total 1.019 data komentar. Setelah melalui tahapan preprocessing yang meliputi cleaning, case folding, tokenizing, filtering, normalisasi, stopword removal, dan stemming, diperoleh 799 data bersih yang kemudian diekstraksi fiturnya menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Berdasarkan hasil pengujian menggunakan confusion matrix, algoritma SVM menunjukkan kinerja yang lebih unggul dengan nilai akurasi 82,50%, presisi 82,69%, recall 99,23%, dan F1-score 90,21%. Sementara itu, algoritma Logistic Regression menghasilkan nilai akurasi sebesar 81,25%. Hasil penelitian ini menyimpulkan bahwa SVM lebih efektif dalam mengklasifikasikan sentimen masyarakat terhadap Program MBG, yang dapat menjadi rekomendasi bagi pemangku kebijakan dalam memantau opini publik.

Downloads

Download data is not yet available.

References

[1] Anindita, “Logistic Regression with Min-Max Scaling and TF-IDF for App Classification and Recommendation on Google Play Store,” vol. 5, no. 1, pp. 79–90, 2025.

[2] Budianto, “Perbandingan Performa Algoritma Support Vector Machine ( SVM ) dan Logistic Regression untuk Analisis Sentimen Pengguna Aplikasi Retail di Android,” vol. 10, no. November, pp. 1–10, 2024.

[3] S. Mazya, P. Tyas, R. Sarno, and B. S. Rintyarna, “Analisis Perbandingan Metode Klasifikasi Sentimen Berita Saham : Pendekatan Machine Learning , Deep Learning , Transfer Learning , dan Graf,” vol. 9, no. 1, pp. 58–64, 2024.

[4] I. S. Wibowo et al., “Keyword Extraction Judul Berita Online Di Indonesia Menggunakan Metode TF-IDF 1,2,” vol. 11, no. 1, 2024.

[5] N. A. Fahrurrozi, S. Hadianti, and M. Kom, “ANALISIS SENTIMENT ULASAN PRODUK E-COMMERCE MENGGUNAKAN METODE LOGISTIC REGRESSION,” vol. XX, no. X, pp. 1–6, 2025.

[6] A. Davina, M. Putri, N. Sulistianingsih, and R. Rismayati, “Pengaruh Teknik Representasi Teks Bag-of-Words dan TF-IDF,” vol. 7, no. 4, pp. 675–688, 2025.

[7] Dometian, “Analisis Sentimen Ulasan Google Play Store : Studi Komparatif Algoritma SVM , Naïve Bayes , dan Logistic Regression,” vol. 15, no. 3, pp. 610–620, 2025.

[8] N. N. Azizah, I. Purnamasari, and S. Prangga, “Pengelompokan Judul Laporan Skripsi Berbasis Text Mining dengan Metode Fuzzy K-Means,” 2024.

[9] Alfando, “Klasifikasi Teks Berita Berbahasa Indonesia Menggunakan Machine Learning Dan Deep Learning: Studi Literatur,” vol. 7, no. 1, pp. 681–686, 2023.

[10] M. M. Davina Felisha Putri, “Sentimen Analisis Masyarakat Terhadap Inflasi Dan Kenaikan Harga Sembako Berdasarkan Platform X.,” vol. 6, no. 1, pp. 12057–12062, 2026.

[11] Sunarti, “Klasifikasi Pengaduan Pelayanan Fakultas Teknik Universitas Muhammadiyah Makassar menggunakan Natural Language Processing,” vol. 2, no. 2, 2024.

[12] I. S. Aisah, B. Irawan, and T. Suprapti, “ALGORITMA SUPPORT VECTOR MACHINE ( SVM ) UNTUK ANALISIS SENTIMEN ULASAN APLIKASI AL QUR ’ AN DIGITAL,” vol. 7, no. 6, pp. 3759–3765, 2023.

[13] R. K. Dinata, N. Hasdyna, and R. M. Sari, SUPERVISED LEARNING: Strategi Prediksi dan Klasifikasi Data. Serasi Media Teknologi, 2025.

[14] M. T. Rambe, R. A. Ritonga, T. Harahap, and R. Sitio, “Pemetaan Awal Implementasi Program Makan Bergizi Gratis ( MBG ) di Kabupaten Labuhanbatu : Perspektif Manajemen SDM,” vol. 4, no. 4, pp. 5177–5184, 2025.

[15] U. Agustini and S. Mulyani, “EFEKTIVITAS DAN TANTANGAN KEBIJAKAN PROGRAM MAKAN BERGIZI GRATIS SEBAGAI INTERVENSI PENDIDIKAN DI INDONESIA EFFECTIVENESS AND CHALLENGES OF FREE NUTRITIOUS MEAL PROGRAM POLICY AS AN EDUCATIONAL,” vol. 4, pp. 362–368, 2025.

[16] M. W. Arif, “Analisis Sentimen Kebijakan Makan Bergizi Gratis di Media Sosial Menggunakan Natural Language Processing Berbasis Python TextBlob di Indonesia Teknik Informatika , Universitas Ngudi Waluyo , Indonesia Sentiment Analysis of Free Nutritious Meal Policy on Social Media Using Python TextBlob-Based Natural Language Processing in Indonesia,” vol. 5, no. 9, pp. 2463–2471, 2025.

[17] I. Daqiqil, MACHINE LEARNING : Teori, Studi Kasus dan Implementasi Menggunakan Python. Unri Press, 2021.

[18] R. Rustiyana et al., Data Mining: Algoritma dan Penerapannya. PT. Sonpedia Publishing Indonesia, 2025.

[19] S. J. Hari Suparwito et al., Pengantar Pembelajaran Mesin Menggunakan Bahasa Pemrograman Python. Sanata Dharma University Press, 2023.

[20] T. Widayanti et al., Buku Ajar Matematika Dasar. PT. Sonpedia Publishing Indonesia, 2025.

[21] F. Aftab, S. U. Bazai, S. Marjan, L. Baloch, and S. Aslam, “A Comprehensive Survey on Sentiment Analysis Techniques,” vol. 14, no. September, pp. 1288–1298, 2023.

[22] F. S. Maharani Imran, Venessa Agusta Gogali, “Media dan Komunikasi Kebijakan Publik : Analisis Frekuensi dan Sentimen Pemberitaan Program Makan Bergizi Gratis ( MBG ),” vol. 4, no. 5, pp. 3444–3452, 2026.