Analisis Sentimen Publik Terhadap Program Makan Bergizi Gratis (MBG) pada Platform TikTok Menggunakan Metode IndoBERT-SVM (Support Vector Machine)

Program Makan Bergizi Gratis (MBG) merupakan salah satu program strategis pemerintah yang memunculkan beragam tanggapan masyarakat di media sosial, sehingga diperlukan analisis sentimen untuk memahami persepsi publik secara
sistematis. Penelitian ini bertujuan menganalisis distribusi sentimen masyarakat terhadap Program MBG, mengevaluasi performa kombinasi metode IndoBERT–Support Vector Machine (SVM), serta menganalisis pengaruh distribusi data melalui penerapan class weight. Class weight merupakan teknik pembobotan kelas dengan memberikan bobot berbeda pada setiap kelas berdasarkan jumlah data, sehingga kelas minoritas memperoleh bobot lebih besar dibandingkan kelas mayoritas. Data penelitian berupa 3.590 komentar TikTok yang diperoleh melalui proses scraping, kemudian diproses melalui tahapan pre-processing, hybrid labelling (pelabelan otomatis, validasi berbasis lexicon, dan anotasi manual pada data ambigu), pembagian data latih dan data uji, ekstraksi fitur menggunakan embedding IndoBERT, standardisasi fitur, optimasi parameter menggunakan GridSearchCV, serta klasifikasi menggunakan SVM dengan empat skenario
pengujian. Hasil penelitian menunjukkan bahwa distribusi sentimen didominasi oleh sentimen negatif sebanyak 2.106 komentar, diikuti sentimen positif sebanyak 745 komentar dan sentimen netral sebanyak 739 komentar. Performa terbaik diperoleh pada skenario dataset non-hybrid dengan penerapan class weight, yang menghasilkan akurasi 83,70%, precision 84,43%, recall 77,74%, F1-score 80,43%, dan MCC 71,11%. Selain itu, penerapan class weight terbukti meningkatkan performa model pada dataset yang masih mengalami ketidakseimbangan kelas, sedangkan hybrid labelling tidak meningkatkan performa klasifikasi, tetapi berhasil menghasilkan ground truth yang lebih berkualitas melalui validasi manual terhadap data ambigu. Temuan ini menunjukkan bahwa kombinasi embedding IndoBERT dan SVM efektif untuk analisis sentimen berbahasa Indonesia, sementara strategi penanganan distribusi data dan kualitas pelabelan perlu disesuaikan dengan karakteristik dataset agar menghasilkan model yang lebih andal.