Wacana publik mengenai program Makan Bergizi Gratis (MBG) di Indonesia mencerminkan beragam opini yang hingga kini belum dianalisis secara sistematis menggunakan metode komputasional. Penelitian ini bertujuan untuk mengisi kesenjangan tersebut dengan mengevaluasi efektivitas static dan contextual word embeddings dalam kerangka kerja Capsule Network (CapsNet) untuk analisis sentimen terhadap tweet terkait MBG di Twitter. Sebanyak 7.133 tweet berbahasa Indonesia dikumpulkan melalui proses web crawling, kemudian diproses melalui tahap prapemrosesan dan pelabelan manual ke dalam tiga kategori sentimen, yaitu positif, netral, dan negatif. Empat teknik embedding Word2Vec, FastText, ELMo, dan IndoBERT diuji menggunakan dua skenario prapemrosesan, yaitu data mentah (raw) dan data dengan proses stemming. Hasil eksperimen menunjukkan bahwa Word2Vec pada data mentah menghasilkan akurasi tertinggi sebesar 96,17%, sedangkan FastText memberikan kinerja terbaik pada data yang telah melalui proses stemming dengan akurasi sebesar 94,10%. Temuan ini menunjukkan bahwa normalisasi morfologis memberikan manfaat bagi model embedding statis dan berbasis subword, sementara model kontekstual cenderung mempertahankan performa yang stabil tanpa memerlukan penyesuaian (fine-tuning) yang ekstensif. Secara keseluruhan, penelitian ini menunjukkan potensi kombinasi CapsNet dengan strategi embedding yang tepat untuk analisis sentimen berbahasa Indonesia serta memberikan bukti bahwa pemrosesan bahasa alami dapat mendukung evaluasi program publik berbasis data, seperti program MBG.