ANALISIS SENTIMEN MULTI ASPEK TERHADAP PROGRAM MAKAN BERGIZI GRATIS (MBG) BERBASIS TF-IDF DAN N-GRAM DENGAN ALGORITMA LOGISTIC REGRESSION

Perhatian publik terhadap pelaksanaan Program Makan Bergizi Gratis (MBG) meningkat seiring luasnya cakupan program dan dampaknya terhadap masyarakat. Penelitian ini bertujuan untuk menganalisis sentimen publik secara multi-aspek terhadap Program MBG menggunakan algoritma Logistic Regression dengan representasi fitur TF-IDF, pendekatan N-Gram, serta penerapan teknik SMOTE untuk mengatasi ketidakseimbangan kelas sentimen. Data penelitian diperoleh dari komentar publik di media sosial TikTok sebanyak 1.390 data yang telah melalui proses pelabelan ke dalam lima aspek utama, yaitu Kualitas dan Keamanan Menu, Anggaran dan Efisiensi, Ketepatan Waktu Distribusi, Kesiapan Infrastruktur dan Logistik, serta Cakupan dan Pemerataan. Ekstraksi fitur dilakukan menggunakan TF-IDF dengan variasi konfigurasi N-Gram, dan klasifikasi sentimen dilakukan menggunakan Logistic Regression. Hasil pengujian menunjukkan bahwa penggunaan kombinasi unigram–bigram (N-Gram range (1,2)) menghasilkan performa terbaik dengan rata-rata akurasi sebesar 86,1%, rata-rata presisi 85,0%, rata-rata recall 81,6%, dan rata-rata F1-score 82,8% pada data uji. Penerapan metode SMOTE terbukti meningkatkan kinerja model secara signifikan, khususnya pada metrik recall dan F1-score kelas minoritas (positif). Nilai rata-rata F1-score meningkat dari 69,3% pada model tanpa SMOTE menjadi 82,8% setelah penerapan SMOTE, atau mengalami peningkatan sebesar 13,5%. Temuan ini menunjukkan bahwa kombinasi TF-IDF, N-Gram, dan SMOTE dengan algoritma Logistic Regression efektif dalam melakukan analisis sentimen multi-aspek terhadap Program MBG dan dapat menjadi dasar evaluasi berbasis data bagi pemangku kebijakan.