Penerapan Text Mining pada Komentar Sosmed Instagram dan Youtube Mengenai Program Makan Bergizi Gratis untuk Analisis Sentimen Lintas Isu Model Indobert dan Teknik Smote
Journal Artificial: Informatika dan Sistem Informasi · 12.09.2026 · 4 (2) · 253-270
DOI: 10.54065/artificial.1877 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal Artificial: Informatika dan Sistem Informasi, online erschienen am 12.09.2026. Verfasst von Selvia Anggraini und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
Urgensi penelitian ini adalah meningkatkan akurasi klasifikasi sentimen berbahasa Indonesia dengan mengatasi ketidakseimbangan data melalui penerapan Stopword Removal dan SMOTE. Program Makan Bergizi Gratis (MBG) merupakan kebijakan pemerintah yang memperoleh beragam respons masyarakat melalui media sosial. Instagram dan YouTube menyediakan ruang interaksi yang memungkinkan masyarakat menyampaikan dukungan, kritik, maupun tanggapan terhadap pelaksanaan program. Besarnya volume komentar menyebabkan identifikasi sentimen secara manual menjadi tidak efisien, sehingga diperlukan pendekatan text mining dan pemodelan bahasa yang mampu mengolah data teks berbahasa Indonesia dalam jumlah besar. Penelitian ini bertujuan menerapkan text mining pada komentar Instagram dan YouTube mengenai Program MBG menggunakan model IndoBERT dan teknik Synthetic Minority Over-sampling Technique (SMOTE), serta menganalisis sentimen berdasarkan isu yang berkaitan dengan program. Data dikumpulkan menggunakan teknik web scraping dan menghasilkan 52.326 komentar. Setelah proses preprocessing dan pembersihan data, sebanyak 47.861 komentar digunakan dalam analisis. Tahapan preprocessing meliputi case folding, cleaning, normalisasi kata tidak baku, tokenisasi, stopword removal, dan stemming. Data kemudian diberi label menjadi sentimen positif, netral, dan negatif. Distribusi awal terdiri atas 3.131 komentar positif, 31.136 netral, dan 4.025 negatif. Ketidakseimbangan kelas ditangani menggunakan SMOTE sebelum proses klasifikasi dengan IndoBERT. Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model IndoBERT dengan SMOTE menghasilkan accuracy sebesar 89,88%, precision 92,55%, recall 89,88%, dan F1-score 90,63%. Hasil confusion matrix menunjukkan bahwa kesalahan klasifikasi terutama terjadi antara kelas netral dan negatif. Analisis lintas isu menunjukkan bahwa kecenderungan sentimen berbeda pada isu-isu terkait pelaksanaan Program MBG. Hasil penelitian menunjukkan bahwa kombinasi IndoBERT dan SMOTE dapat digunakan untuk mengidentifikasi kecenderungan sentimen masyarakat pada data komentar media sosial serta memberikan gambaran yang lebih terarah mengenai respons publik terhadap pelaksanaan Program MBG.
Zitieren
APA
Anggraini, S., Wulandari, C., Sunardi, L., & Intan, B. (2026). Penerapan Text Mining pada Komentar Sosmed Instagram dan Youtube Mengenai Program Makan Bergizi Gratis untuk Analisis Sentimen Lintas Isu Model Indobert dan Teknik Smote. Journal Artificial: Informatika dan Sistem Informasi, 4(2), 253-270. https://doi.org/10.54065/artificial.1877
Vancouver
Anggraini S, Wulandari C, Sunardi L, Intan B. Penerapan Text Mining pada Komentar Sosmed Instagram dan Youtube Mengenai Program Makan Bergizi Gratis untuk Analisis Sentimen Lintas Isu Model Indobert dan Teknik Smote. Journal Artificial: Informatika dan Sistem Informasi. 2026;4(2):253-270. doi:10.54065/artificial.1877
BibTeX
@article{Anggraini2026,
author = {Anggraini, Selvia and Wulandari, Cindi and Sunardi, Lukman and Intan, Bunga},
title = {Penerapan Text Mining pada Komentar Sosmed Instagram dan Youtube Mengenai Program Makan Bergizi Gratis untuk Analisis Sentimen Lintas Isu Model Indobert dan Teknik Smote},
journal = {Journal Artificial: Informatika dan Sistem Informasi},
year = {2026},
volume = {4},
number = {2},
pages = {253--270},
doi = {10.54065/artificial.1877}
}
EUVIMED