ABSTRAK
Nursakina. Evaluasi Algoritma KNN Dan Naive Bayes untuk Analisis Sentimen
Kebijakan Program Makan Bergizi Gratis (Dibimbing oleh Farid Wajidi dan Muh.
Rafli Rasyid).
Media sosial menjadi ruang utama masyarakat untuk mengekspresikan opini
terhadap kebijakan publik, termasuk Program Makan Bergizi Gratis (MBG) di
Indonesia. Penelitian ini menganalisis sentimen publik terhadap MBG dengan
membandingkan algoritma K-Nearest Neighbor (KNN) dan Naive Bayes. Data
diperoleh dari 9.723 tweet, kemudian setelah penghapusan kategori netral tersisa
6.322 tweet (3.955 positif dan 2.367 negatif), yang menunjukkan dominasi opini
positif. Hasil eksperimen menunjukkan bahwa KNN terbaik pada k=9 dengan rasio
70:30 menghasilkan akurasi 72,27% dan F1-score 65,92%, dengan akurasi rata-rata
cross-validation 73,30%. Naive Bayes dengan parameter α=0,5 unggul dengan
akurasi rata-rata 79,61% dan F1-score 77,33%, serta keseimbangan presisi dan
recall yang lebih baik. Kontribusi penelitian ini adalah memberikan bukti empiris
bahwa Naive Bayes lebih efektif dibandingkan KNN dalam analisis sentimen teks
berbahasa Indonesia dengan dataset besar, serta menawarkan kerangka metodologis
yang dapat diterapkan untuk evaluasi kebijakan publik lainnya.