Penelitian ini mengklasifikasikan komentar publik (YouTube, TikTok, X, dll.) mengenai program Makan Bergizi Gratis (MBG) ke dalam sentimen positif, negatif, dan netral, menggunakan preprocessing teks Bahasa Indonesia serta membandingkan performa algoritma Random Forest dan K-Nearest Neighbor (KNN).
Sistem berbasis PHP native + MySQL ini mengikuti alur kerja standar analisis sentimen, mulai dari pengumpulan data hingga pelatihan model klasifikasi.
Upload hasil scraping/gabungan komentar (CSV) apa adanya — kolom label sentimen tidak wajib ada, dikelompokkan per batch.
Cleaning, case folding, normalisasi kata gaul, tokenisasi, dan stopword removal.
Pelabelan otomatis berbasis kamus sentimen (InSet Lexicon), dengan opsi koreksi manual sebelum training.
Ekstraksi fitur TF-IDF lalu melatih model Random Forest dan KNN untuk dibandingkan.
Ringkasan teknis metode yang digunakan pada sistem ini.
Ekstraksi fitur teks menjadi vektor numerik berbobot (maks. 3.000 fitur, unigram + bigram).
Ensemble Decision Tree (CART + Gini) dengan bagging & random subspace method.
Klasifikasi berbasis jarak (Euclidean / Cosine) dengan voting mayoritas K tetangga.
Accuracy, precision, recall, F1-score, dan confusion matrix per kelas sentimen.
Lihat dashboard lengkap, perbandingan model, dan coba prediksi sentimen kalimat baru.