IMPLEMENTASI INDOROBERTA UNTUK KLASIFIKASI SENTIMEN PADA MEDIA SOSIAL X TERHADAP PROGRAM MAKAN BERGIZI GRATIS

Salma Nur Fithriyah, Alam Rahmatulloh

Abstract


The MBG (Free Nutritious Meals) program remains a hot topic on social media, sparking a variety of comments, both positive and negative, regarding the policy. The diverse responses and comments on social media serve as a relevant data source and can be used as research objects. This study aims to classify sentiment in netizen posts and comments regarding the MBG program implemented in Indonesia. The classification model uses the IndoRoBERTa method, implemented within a sentiment analysis scheme, to classify sentiment in text. The process includes collecting social media comment text data, preprocessing, training the IndoRoBERTa model, and evaluating its performance. The results show that the developed sentiment classification model achieved an accuracy of 85.3% and an F1-score of 82.6%. Sentiment classification tends to produce negative sentiments from the overall text data.

Program MBG (Makan Bergizi Gratis) masih menjadi salah satu topik yang masif di media sosial dan memicu berbagai komentar pro dan kontra terhadap kebijakan tersebut. Beragam respon dan komentar yang muncul di media sosial menjadi sebuah sumber data yang relevan dan bisa dijadikan sebagai sebuah objek penelitian. Penelitian ini, bertujuan untuk melakukan klasifikasi terhadap sentimen pada postingan dan komentar warganet terhadap program MBG yang diterapkan di Indonesia. Model Klasifikasi menggunakan metode IndoRoBERTa yang diimplementasikan dalam skema analisis sentimen untuk mengklasifikasi sentimen pada teks. Proses yang dilakukan mencakup pengumpulan data teks komentar di media sosial, tahap preprocessing, lalu implementasi model IndoRoBERTa dan mengukur hasil dari evaluasi kinerja model yang dibangun. Hasil penelitian menunjukkan nilai evaluasi model klasifikasi sentimen yang dikembangkan mencapai tingkat akurasi sebesar 85,3% dan nilai F1-score sebesar 82,6%. Klasifiksi sentimen cenderung menghasilkan sentimen berlabel negatif dari keseluruhan data teks.


Full Text:

PDF

References


Apriansyah, F. M., Ramadhan, T. I., Hidayat, C. R., & Wijaya, A. K. (2025). Perbandingan IndoBERT dan IndoRoBERTa Untuk Analisis Sentimen Pada Film Dokumenter Dirty Vote. INFORMATIKA : Jurnal Pengembangan IT, 10(3), 593–605. https://doi.org/10.30591/jpit.v10i3.8607

Aprianti, N. N., Desmayani, N. M. M. R., Libraeni, L. G. B., Indrawan, I. G. A., & Radhitya, M. L. (2025). Public Sentiment Analysis of the Free Nutritious Meals Program (MBG) on Social Media X Using the Naive Bayes Method. Journal of Applied Informatics and Computing, 9(6), 3929–3936. https://doi.org/10.30871/jaic.v9i6.11420

Arifin, K., & Al-Idrus, S. I. (2024). Klasifikasi Emosi Pengguna Twitter Terhadap Bakal Calon Presiden Pada Pemilu 2024 Menggunakan Algoritma Naive Bayes. SAINTIKOM : Jurnal Sains Manajemen Informatika Dan Komputer, 23(1), 37–45. https://doi.org/10.53513/jis.v23i1.9558

Aripin, Santoso, S. A., & Haryanto, H. (2023). Optimizing the Accuracy of the Semantic-Based Compound Emotion Classifications using the XLM-RoBERTa. JNTETI : Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 12(1), 29–36. https://doi.org/10.22146/jnteti.v12i1.6084

Fitriani, K. E., Faisal, M. R., Mazdadi, M. I., Indriani, F., Nugrahadi, D. T., & Prastya, S. E. (2025). Enhancing Natural Disaster Monitoring: A Deep Learning Approach to Social Media Analysis Using Indonesian BERT Variants. IJEEEMI : Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics, 7(1), 77–89. https://doi.org/10.35882/t158qq37

Hoiriyah, Qomariya, N., Darmawan, A. K., Walid, M., & Efenie, Y. (2023). Sentiment Analysis on LGBT Issues in Indonesia With Lexicon-Based and Support Vector Machine Algorithms. Pilar Nusa Mandiri: Journal of Computing and Information System, 19(1), 27–36. https://doi.org/10.33480/pilar.v19i1.4183

Khairani, M., & Zufria, I. (2025). Klasifikasi Tingkatan Perokok dengan Analisis Data Survei Masyarakat menggunakan Algoritma K-Means dan XGBoost. JEPIN : Jurnal Edukasi & Penelitian Informatika, 11(2), 230–241. https://doi.org/10.26418/jp.v11i2.96678

Lazuardi, M. D. B., Fatyanosa, T. N., & Marji. (2025). Klasifikasi Emosi Multikelas Berbasis Teks Bahasa Indonesia Menggunakan IndoRoBERTa. JPTIIK : Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 9(9), 1–9. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/15276

Muttakin, F., Andrika, N., & Salsabila. (2025). Sentiment Analysis of Shoe Product Reviews on Indonesian E-Commerce Platform Using Lexicon Based and Support Vector Machine. JUTIF : Jurnal Teknik Informatika, 6(2), 839–854. https://doi.org/10.52436/1.jutif.2025.6.2.3800

Prasetyo, S. D., Hilabi, S. S., & Nurapriani, F. (2023). Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN. Jurnal KomtekInfo, 10(1), 1–7. https://doi.org/10.35134/komtekinfo.v10i1.330

Sumitro, P. A., Rasiban, Mulyana, D. I., & Saputro, W. (2021). Analisis Sentimen Terhadap Vaksin Covid-19 di Indonesia pada Twitter Menggunakan Metode Lexicon Based. J-ICOM : Jurnal Informatika Dan Teknologi Komputer, 2(2), 50–56. https://doi.org/10.55377/j-icom.v2i2.4009

Yarkhamsetiawan, Y., Akbar, M., & Satrianansyah. (2025). Analisis Sentimen Pengguna Aplikasi Qur’an Kemenag Menggunakan Metode Support Vector Machine (SVM). JAMIKA : Jurnal Manajemen Informatika, 15(2), 181–193. https://doi.org/10.34010/jamika.v15i2.16843




DOI: https://doi.org/10.56486/jris.vol6no1.1066

Article Metrics

Abstract view : 0 times
PDF - 0 times

Refbacks

  • There are currently no refbacks.


TERINDEKS OLEH :

Â