Indonesia yang berada di Cincin Api Pasifik memiliki kerentanan tinggi terhadap bencana alam. Untuk mitigasi, BMKG menyediakan layanan InfoBMKG guna menyampaikan informasi bencana secara cepat melalui media sosial, khususnya platform X. Namun, masyarakat masih mengkritik keterlambatan, kesalahan data, dan kurangnya detail informasi.
Penelitian ini mengevaluasi persepsi publik terhadap InfoBMKG menggunakan pendekatan IS Success Model yang mencakup Information Quality, Service Quality, dan System Quality. Proses analisis mengikuti framework Knowledge Discovery in Databases (KDD), dimulai dari pengumpulan lebih dari 25,000 tweet melalui teknik web crawling menggunakan Tweet-Harvest dan X API. Setelah tahap preprocessing, sekitar 10,000 tweet dianalisis menggunakan metode TF-IDF dan model machine learning.
Model klasifikasi yang diterapkan adalah Support Vector Machine (SVM) untuk klasifikasi multilabel topik dan klasifikasi biner sentimen, serta BERTopic untuk eksplorasi topik. Hasilnya, model SVM menunjukkan performa dengan akurasi 81% pada klasifikasi topik. Dimensi System Quality memiliki F1-score tertinggi (0,89), sedangkan Service Quality terendah (0,74). Untuk analisis sentimen, akurasi tertinggi SVM tercatat pada dimensi Service Quality (91,58%) dan System Quality (83,71%). Sentimen negatif mendominasi opini publik, terutama pada dimensi System Quality (F1-score 0,90).
Pemodelan topik dengan BERTopic berhasil mengidentifikasi isu-isu utama dan subtopik dalam kombinasi dimensi dan sentimen. Masyarakat mengapresiasi keakuratan informasi gempa/cuaca dan responsivitas layanan, tetapi juga mengkritik keterlambatan pembaruan, ketidaksinkronan platform, kegagalan sistem notifikasi, serta masalah kompatibilitas aplikasi. Temuan ini memperkuat hasil klasifikasi serta memberikan dasar strategis untuk peningkatan layanan InfoBMKG ke depan.