RAMADHANI, Indana Najwa (2026) Analisis Sentimen Dan Pemodelan Topik Pada Platform X Menggunakan Metode SVM Dan LDA (Studi Kasus: Program Makan Bergizi Gratis). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive Indana Najwa Ramadhani_2406012213070_Informatika.zip Restricted to Repository staff only Download (8MB) | Request a copy
	Text 1. COVER.pdf Download (119kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (273kB)
	Text 4. KATA PENGANTAR.pdf Download (420kB)
	Text 6. ABSTRAK.pdf Download (181kB)
	Text 7. ABSTRACT.pdf Download (183kB)
	Text 8. DAFTAR ISI.pdf Download (236kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (241kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (197kB)

Abstract

Program Makan Bergizi Gratis (MBG) merupakan salah satu kebijakan publik prioritas
pemerintah Indonesia yang sejak implementasinya pada tahun 2025 memicu beragam opini
masyarakat di media sosial, khususnya platform X (Twitter). Banyaknya opini yang tersebar
dalam bentuk teks tidak terstruktur menjadikan analisis sentimen dan identifikasi topik
pembahasan sebagai kebutuhan yang mendesak guna memahami persepsi publik secara
sistematis dan berbasis data. Penelitian ini mengusulkan kombinasi metode Support Vector
Machine (SVM) untuk analisis sentimen, dan Latent Dirichlet Allocation (LDA) untuk
pemodelan topik, dengan pendekatan semi-supervised learning untuk mengatasi
keterbatasan data berlabel. Data yang digunakan terdiri dari 656 tweet berlabel sebagai data
latih dan 9.792 tweet tidak berlabel untuk pemodelan topik. SVM dilatih menggunakan data
berlabel, kemudian digunakan untuk memprediksi sentimen pada data tidak berlabel
sehingga menghasilkan dua kelas sentimen, yaitu positif dan negatif. Tahapan penelitian
meliputi preprocessing data, ekstraksi fitur menggunakan TF-IDF, pelatihan model
menggunakan metode SVM dengan tiga variasi kernel yaitu linear, Radial Basis Function
(RBF), dan polynomial, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-
score. Hasil penelitian menunjukkan bahwa metode SVM dengan kernel RBF memberikan
kinerja terbaik dengan akurasi sebesar 80% dibandingkan kernel linear dan polynomial.
Pemodelan dengan menggunakan LDA menghasilkan nilai coherence tertinggi sebesar
0,369289 pada jumlah 5 topik, dengan topik utama yang meliputi Kualitas Program,
Implementasi Sekolah, Manfaat Program, Kualitas Makanan, dan Fasilitas Program.
Kata kunci : Makan Bergizi Gratis, Analisis Sentimen, Support Vector Machine, Latent
Dirichlet Allocation

Actions (login required)

View Item