OPTIMASI KLASIFIKASI MENGGUNAKAN GRID SEARCH PADA ANALISIS SENTIMEN TERHADAP MAKAN BERGIZI GRATISDwiFerdiyantoauthorProgram Makan Bergizi Gratis merupakan salah satu kebijakan pemerintah Indonesia yang menimbulkan beragam tanggapan dari masyarakat. Media sosial X (Twitter) menjadi wadah utama bagi masyarakat untuk menyampaikan opini, baik berupa dukungan maupun kritik terhadap program tersebut. Banyaknya data teks yang bersifat tidak terstruktur menjadikan analisis secara manual tidak efektif, sehingga diperlukan pendekatan otomatis berbasis machine learning untuk mengklasifikasikan sentimen masyarakat. Penelitian ini bertujuan untuk menganalisis serta membandingkan kinerja algoritma Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Random Forest dalam mengklasifikasikan sentimen masyarakat terhadap Program Makan Bergizi Gratis. Data penelitian diperoleh melalui proses scraping dari Twitter dan kemudian melalui tahapan preprocessing yang meliputi case folding, text cleaning, normalisasi kata, tokenisasi, stopword removal, dan stemming. Data selanjutnya diberi label sentimen positif dan negatif, serta dilakukan undersampling untuk mengatasi ketidakseimbangan kelas. Ekstraksi fitur dilakukan menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan optimasi parameter model dilakukan dengan Grid Search. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Support Vector Machine (SVM) yang dioptimasi menggunakan Grid Search menghasilkan performa terbaik dengan akurasi sebesar 89,47%, diikuti oleh Random Forest sebesar 83,98% dan K-Nearest Neighbor sebesar 77,43%. Hasil ini menunjukkan bahwa penerapan Grid Search mampu meningkatkan kinerja model klasifikasi, khususnya pada algoritma SVM, dalam analisis sentimen terhadap Program Makan Bergizi Gratis.000 Ilmu komputer, informasi dan pekerjaan umum006 Metode komputer khusus2026-02-25Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis