Show simple item record

dc.contributor.advisorKurnia, Anang
dc.contributor.advisorMasjkur, Mohammad
dc.contributor.authorWibawa, Rafi Akbar
dc.date.accessioned2025-11-23T22:33:28Z
dc.date.available2025-11-23T22:33:28Z
dc.date.issued2025
dc.identifier.urihttp://repository.ipb.ac.id/handle/123456789/171564
dc.description.abstractProgram Makan Bergizi Gratis (MBG) merupakan salah satu program unggulan yang dicanangkan oleh pemerintahan Prabowo – Gibran yang bertujuan meningkatkan sumber daya manusia serta menangani masalah stunting di Indonesia. X merupakan platform yang banyak digunakan oleh masyarakat untuk mendiskusikan suatu hal, menjadikannya sumber utama dalam analisis sentimen terkait MBG. Secara umum, data mentah di internet, terutama di X, tidak memiliki label dengan jumlah yang sangat besar, sehingga metode yang efisien perlu digunakan untuk memanfaatkan semua data yang tersedia. Studi ini bertujuan untuk merangkum opini publik tentang program MBG berdasarkan tweet dari X menggunakan Semi-Supervised Support Vector Machine (S3VM) dan mengevaluasi kinerja metode S3VM dalam mengklasifikasikan sentimen serta membandingkannya dengan SVM berdasarkan F1-score, balance accuracy, dan AUC. S3VM one vs rest terbaik tercapai saat menggunakan 30% data berlabel dengan F1-score 43.7%, balanced accuracy 45.4%, dan AUC berturut-turut 0.67, 0.61, 0.70 untuk kelas negatif, netral, dan positif. Metode ini mampu memberikan klasifikasi yang memadai bahkan hanya dengan 10% data berlabel. Menggunakan parameter kernel linear, C=0.01, dan C_u=0.00005, kinerja S3VM pada 10% data berlabel menghasilkan performa F1-score 42.8%, balanced accuracy 44.0%, dan AUC berturut-turut 0.64, 0.58, 0.65. Performa ini sudah cukup mendekati hasil yang dicapai oleh model fully-supervised Support Vector Machine (SVM) yang menggunakan 100% data berlabel dengan performa F1-score 48.7%, balanced accuracy 48.9%, serta AUC 0.71, 0.63, 0.73. Hal tersebut menunjukkan bahwa S3VM cenderung berkategori cukup baik berdasarkan nilai performa AUC-nya dan dapat menjadi alternatif yang efisien untuk mempersingkat waktu pelabelan pada kondisi data berjumlah besar. Sementara itu, pandangan publik terhadap program MBG berdasarkan bulan dari model terbaik menunjukkan penurunan proporsi kelas sentimen negatif dari 49.4% ke 38.4%, sentimen netral yang cenderung stabil dari 26.2% ke 26.5%, dan peningkatan kelas sentimen positif dari 24.7% ke 35.05% pada bulan Januari hingga April 2025.
dc.description.sponsorship
dc.language.isoid
dc.publisherIPB Universityid
dc.titleAnalisis Sentimen terhadap Program Makan Bergizi Gratis melalui Metode Semi-Supervised Support Vector Machineid
dc.title.alternativeSentiment Analysis of the Makan Bergizi Gratis Program using the Semi-Supervised Support Vector Machine Method
dc.typeSkripsi
dc.subject.keywordanalisis sentimenid
dc.subject.keywordmakan bergizi gratisid
dc.subject.keywordsemi-supervised support vector machineid
dc.subject.keywordsupport vector machineid
dc.subject.keywordXid


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record