Abstrak
.Program Makan Bergizi Gratis (MBG) merupakan salah satu kebijakan pemerintah yang banyak mendapat perhatian dan tanggapan dari masyarakat di media sosial, khususnya TikTok. Penelitian ini bertujuan untuk mengklasifikasikan sentimen komentar masyarakat terhadap Program Makan Bergizi Gratis serta membandingkan performa algoritma Naive Bayes dan Light Gradient Boosting Machine (LightGBM) dalam proses klasifikasi sentimen. Data penelitian berupa 417 komentar yang diperoleh secara manual dari akun TikTok @badangizinasional.ri dan diberi label sentimen positif, negatif, dan netral. Tahapan pengolahan data meliputi case folding, normalisasi kata tidak baku, tokenizing, stopword removal, dan stemming. Selanjutnya, data direpresentasikan menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF) dan diuji menggunakan beberapa variasi rasio pembagian data, yaitu 60:40, 70:30, 80:20, dan 90:10, baik dengan maupun tanpa penerapan Synthetic Minority Over-sampling Technique (SMOTE) dengan total 16 skenario pengujian. Evaluasi model dilakukan menggunakan Confusion matrix dengan metrik accuracy, Precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan performa kedua algoritma. Algoritma Naive Bayes memperoleh performa terbaik pada rasio pembagian data 80:20 dengan SMOTE dengan nilai accuracy sebesar 76%, Precision sebesar 76%, recall sebesar 76%, dan F1-score sebesar 0,71. Sementara itu, algoritma LightGBM memperoleh performa terbaik pada rasio pembagian data 90:10 dengan SMOTE dengan nilai accuracy sebesar 81%, Precision sebesar 82%, recall sebesar 81%, dan F1-score sebesar 0,78. Hasil uji Paired Sample T-Test menunjukkan nilai p-value sebesar 0,055, sehingga perbedaan performa antara kedua algoritma tidak signifikan secara statistik. Meskipun demikian, berdasarkan nilai accuracy, Precision, recall, dan F1-score yang diperoleh, algoritma LightGBM menunjukkan performa terbaik dalam klasifikasi sentimen komentar TikTok terkait Program Makan Bergizi Gratis.