Kebijakan Program Makan Bergizi Gratis (MBG) menuai berbagai respons publik di media sosial X. Penelitian ini bertujuan menganalisis sentimen masyarakat dan menguji pengaruh Synthetic Minority Oversampling Technique (SMOTE) pada performa algoritma Multinomial Naïve Bayes. Penelitian ini menggunakan 5.231 tweet hasil scraping yang melalui proses preprocessing, pelabelan oleh dua validator, pembobotan TF-IDF, dan pembagian data rasio 80:20. Pelatihan model memakai parameter alpha = 0,100 dengan evaluasi metrik akurasi, presisi, recall, serta F1-score. Hasil analisis mendapati sentimen negatif mendominasi sebanyak 2.788 data (53,30%), disusul sentimen positif 1.320 data (25,23%), dan sentimen netral 1.123 data (21,47%). Tanpa SMOTE, model mencatat akurasi 64,57%, presisi 61,60%, recall 64,57%, dan F1-score 61,74%. Angka tersebut meningkat setelah penerapan SMOTE menjadi akurasi 65,71%, presisi 64,65%, recall 65,71%, dan F1-score 64,85%. Penelitian menyimpulkan bahwa SMOTE efektif meningkatkan akurasi klasifikasi Multinomial Naïve Bayes, sementara riset lanjutan disarankan menambah jumlah data dan memperpanjang rentang waktu pengambilan sampel agar hasil analisis semakin representatif.