Analisis Sentimen Kebijakan Makan Bergizi Gratis di Media Sosial Menggunakan Natural Language Processing Berbasis Python TextBlob di Indonesia
DOI:
https://doi.org/10.52436/1.jpti.931Kata Kunci:
NLP, Program Makan Bergizi Gratis, TextBlob, Twitter, Word CloudAbstrak
Program Makan Bergizi Gratis yang dicanangkan oleh pemerintah telah menjadi topik perbincangan di media sosial, khususnya X (Twitter). Penelitian ini secara tujuan untuk melakukan penganalisisan sentimen publik terhadap program tersebut mempergunakan TextBlob, sebuah metode Natural Language Processing (NLP) berbasis leksikon. Data dikumpulkan dari X (Twitter) dalam rentang waktu 14 Januari 2025 hingga 25 Februari 2025, dengan total 657 tweet yang diperoleh. Tahapan penelitian mencakup pengumpulan data, pra-pemrosesan teks (normalisasi, penghapusan URL, username, dan karakter non-ASCII), perhitungan polarity sentimen menggunakan TextBlob, serta visualisasi data dengan pie chart dan word cloud. Hasil penelitian memberi petunjuk bahwa sentimen negatif mendominasi dengan 71,8%, diikuti oleh sentimen positif sebesar 18,6% dan sentimen netral sebesar 9,6%. Lalu, untuk visualisasi dari keseluruhan pendapat yang dipunyai orang-orang kaitannya dengan Program Makan Bergizi Gratis bisa dilakukan pembentukan mempergunakan Word Cloud sehingga hanya akan muncul kata-kata bersifat penting yang punya hubungan dengan Program Makan Bergizi Gratis.
Unduhan
Referensi
F. F. Mailoa, “Analisis sentimen data twitter menggunakan metode text mining tentang masalah obesitas di indonesia,” Journal of Information Systems for Public Health, vol. 6, no. 1, p. 44, 2021, doi: 10.22146/jisph.44455.
D. Isnain, A. R., Marga, N. S., & Alita, “Sentiment Analysis of Government Policy on Coronavirus New Normal Using Naïve Bayes.,” IJCCS, vol. 14, no. 2, pp. 169–182, 2023, doi: https://doi.org/10.22146/ijccs.60718.
M. Gumilang, M. A., Abdillah, F., Amin, M. Y., & Hasan, “TextBlob Analysis on Ministry Social Media,” Jurnal Sosioteknologi, vol. 23, no. 2, pp. 100–115, 2024, doi: https://doi.org/10.5614/sostek.itbj.2024.23.2.5.
N. S. S. Azisa, “Sentiment Classification of Election Tweets Using Naïve Bayes.,” IJCS, vol. 13, no. 4, pp. 98–110, 2024, doi: https://doi.org/10.33022/ijcs.v13i4.4087.
R. Banten, “Penemuan Dront Empirit,” 2024
G. R. Putri, M. A. Maulana, and S. Bahri, “Perbandingan Algoritma Naïve Bayes dan TextBlob Untuk Mendapatkan Analisis Sentimen Masyarakat Pada Sosial Media,” Teknika, vol. 13, no. 2, pp. 213–218, 2024, doi: 10.34148/teknika.v13i2.815.
A. K. Huda, S. Tri, A. Ramadhani, and F. M. Puri, “A Comparative Study of Naive Bayes , Vader , and TextBlob Methods in Sentiment Analysis of ShopeeFood on Twitter,” Brilliance, vol. 5, no. 1, pp. 26–36, 2025.
Y. Afrillia, L. Rosnita, and D. Siska, “Analisis Sentimen Ciutan Twitter Terkait Penerapan Permendikbudristek Nomor 30 Tahun 2021 Menggunakan TextBlob dan Support Vector Machine,” G-Tech: Jurnal Teknologi Terapan, vol. 6, no. 2, pp. 387–394, 2022, doi: 10.33379/gtech.v6i2.1778.
A. N. Sutranggono and E. M. Imah, “Tweets Emotions Analysis of Community Activities Restriction as COVID-19 Policy in Indonesia Using Support Vector Machine,” CommIT Journal, vol. 17, no. 1, pp. 13–25, 2023, doi: 10.21512/commit.v17i1.8189.
F. Nurpandi, F. S. Sulaeman, and A. Hermawan, “Analisis Sentimen Terhadap Kinerja Kepolisian Indonesia Menggunakan Metode Multinomial Naive Bayes, Long Short-Term Memory, dan Lexicon-Based,” Media Jurnal Informatika, vol. 16, no. 1, p. 1, 2024, doi: 10.35194/mji.v16i1.4165.
J. Feldman, R., & Sanger, The Text Mining Handbook: Advanced Approaches in Analyzing Unstructured Data. New York: Cambridge University Press.
J. H. Jurafsky, D., & Martin, Speech and Language Processing. London: Standford University, 2020.
S. Loria, “TextBlob: Simplified Text Processing.,” 2018.
T. Developer., “Twitter API Documentation.”
N. Ruhyana and D. M. Dama, “SENTIMENT ANALYSIS OF TWITTER DATA ON KIP-KULIAH USING TEXTBLOB AND GRADIENT BOOSTING,” Riset Informatika, vol. 7, no. 1, 2024.
D. R. Rohmania and R. Abidin, “Analisis Sentimen Masyarakat Indonesia Terhadap Kebijakan Program Tapera Menggunakan Brand24,” Journal of Artificial Intelligence and Multimedia in Informatics, vol. 1, no. 2, pp. 120–131, 2024.
R. Abidin and A. Herawati, “Analisis Sentimen Publik Terhadap Kebijakan Program Tabungan Perumahan Rakyat (Tapera),” Journal of Information System and Computer , vol. 4, no. 1, pp. 13–19, 2024.
S. Magda and L. Siahaan, “Sentiment Analysis of Sexual Violence on Twitter?: Emotions , Public Perception , and Discourse,” Dakwah dan Sosial, vol. 7, no. 1, pp. 48–72, 2024, doi: 10.37680/muharrik.v7i1.4993.
S. P. Inombi, D. R. Isa, S. K. Nasib, I. K. Hasan, and N. Abdussamad, “Analisis Sentimen Pengguna X (Twitter) Terhadap Kebijakan Tapera Di Indonesia Menggunakan Metode CNN Dan BERT,” vol. 6, no. 2, pp. 1–11, 2025.
