ADAM, Zhulfani Faisal (2025) Klasifikasi Sentimen Publik terhadap Program Makan Bergizi Gratis di Media Sosial X Menggunakan Graph Convolutional Network dan Representasi TF-IDF. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (53kB)
	Text 3. Halaman Pengesahan.pdf Download (766kB)
	Text 4. Kata Pengantar.pdf Restricted to Repository staff only Download (76kB)
	Text 6. ABSTRAK.pdf Download (8kB)
	Text 7. ABSTRACT.pdf Download (1MB)
	Text 8. DAFTAR ISI.pdf Download (111kB)
	Text 11. BAB I.pdf Download (160kB)

Abstract

ABSTRAK
Stunting merupakan masalah nasional di Indonesia, oleh karena itu pemerintah indonesia
membuat Program Makan Bergizi Gratis sebagai solusi dari permasalahan tersebut, Namun
kebijakan prioritas nasional ini telah memicu beragam opini publik di media sosial, yang
mencerminkan persepsi masyarakat terhadap program tersebut. Untuk memahami sentimen
publik secara sistematis, dibutuhkan metode analisis sentimen yang mampu menangkap
struktur dan makna dari teks pendek seperti cuitan. Penelitian ini menawarkan solusi dengan
mengembangkan model klasifikasi sentimen berbasis Graph Convolutional Network (GCN)
yang memanfaatkan representasi teks Term Frequency-Inverse Document Frequency (TF
IDF). Penelitian ini juga membandingkan pengaruh teknik undersampling pada model GCN.
Data dikumpulkan dari platform media sosial X (Twitter), kemudian dilabeli secara manual
oleh peneliti berdasarkan kategori sentimen positif, negatif, dan netral. Dataset hasil
pelabelan terdiri dari 5.979 cuitan, yang kemudian diseimbangkan melalui teknik
undersampling berbasis distribusi kelas guna menghindari ketimpangan data. Graf dokumen
dibentuk berdasarkan kemiripan antar vektor TF-IDF menggunakan cosine similarity, dan
digunakan sebagai input untuk model GCN. Evaluasi model dilakukan dengan
menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan
bahwa model GCN berbasis TF-IDF mampu mengklasifikasikan sentimen publik dengan
akurasi sebesar 82,93% dan F1-score sebesar 82,93%. Model ini juga menunjukkan
performa yang lebih tinggi dibandingkan dengan beberapa algoritma pembelajaran mesin
klasik seperti Logistic Regression, SVM, XGBoost, Random Forest, dan Naïve
Bayes.Temuan ini membuktikan bahwa teknik undersampling dengan integrasi TF-IDF dan
GCN merupakan pendekatan yang efektif dan efisien untuk memahami opini publik terhadap
kebijakan nasional melalui teks pendek di media sosial.
Kata kunci : Program Makan Bergizi Gratis, sentimen publik, media sosial X (Twitter),
undersampling, representasi TF-IDF, dan Graph Convolutional Network (GCN)

Actions (login required)

View Item