PERBANDINGAN TEKNIK ENCODING BAG OF WORDS, DAN TF-IDF UNTUK ANALISIS SENTIMEN KASUS STUNTING MENGGUNAKAN SUPPORT VECTOR MACHINE

Pasengoran, Rianti (2025) PERBANDINGAN TEKNIK ENCODING BAG OF WORDS, DAN TF-IDF UNTUK ANALISIS SENTIMEN KASUS STUNTING MENGGUNAKAN SUPPORT VECTOR MACHINE. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 02211017_cover.pdf.pdf Restricted to Repository staff only until 4 October 2027. Download (614kB) | Request a copy
	Text 02211017_ statement_of_authenticity.pdf Restricted to Repository staff only until 4 October 2027. Download (567kB) | Request a copy
	Text 02211017_publishing_agreement.pdf Restricted to Repository staff only until 4 October 2027. Download (771kB) | Request a copy
	Text 02211017_approval_sheet.pdf Restricted to Repository staff only until 4 October 2027. Download (821kB) | Request a copy
	Text 02211017_preface.pdf Restricted to Repository staff only until 4 October 2027. Download (372kB) | Request a copy
	Text 02211017_abstract_id.pdf Restricted to Repository staff only until 4 October 2027. Download (418kB) | Request a copy
	Text 02211017_abstract_en.pdf Restricted to Repository staff only until 4 October 2027. Download (371kB) | Request a copy
	Text 02211017_table_of_content.pdf Restricted to Repository staff only until 4 October 2027. Download (558kB) | Request a copy
	Text 02211017_illustrations.pdf Restricted to Repository staff only until 4 October 2027. Download (370kB) | Request a copy
	Text 02211017_tables.pdf Restricted to Repository staff only until 4 October 2027. Download (376kB) | Request a copy
	Text 02211017_notations.pdf Restricted to Repository staff only until 4 October 2027. Download (437kB) | Request a copy
	Text 02211017_chapter_1.pdf Restricted to Repository staff only until 4 October 2027. Download (1MB) | Request a copy
	Text 02211017_chapter_2.pdf Restricted to Repository staff only until 4 October 2027. Download (3MB) | Request a copy
	Text 02211017_chapter_3.pdf Restricted to Repository staff only until 4 October 2027. Download (1MB) | Request a copy
	Text 02211017_conclusions.pdf Restricted to Repository staff only until 4 October 2027. Download (576kB) | Request a copy
	Text 02211017_chapter_4.pdf Restricted to Repository staff only until 4 October 2027. Download (5MB) | Request a copy
	Text 02211017_bibliography.pdf Restricted to Repository staff only until 4 October 2027. Download (716kB) | Request a copy
	Text 02211017_enclosure.pdf Restricted to Repository staff only until 4 October 2027. Download (418kB) | Request a copy
	Text 02211017_paper.pdf Restricted to Repository staff only until 4 October 2027. Download (721kB) | Request a copy
	Text 02211017_form020.pdf Restricted to Repository staff only until 4 October 2027. Download (707kB) | Request a copy

Abstract

Stunting merupakan salah satu permasalahan kesehatan serius yang masih dihadapi Indonesia, dengan prevalensi sebesar 21,5% pada tahun 2023. Angka ini masih jauh dari target penurunan menjadi 14% pada tahun 2024, sebagaimana yang direncanakan dalam Rencana Pembangunan Jangka Menengah Nasional (RPJMN). Stunting tidak hanya berdampak pada pertumbuhan fisik anak tetapi juga menghambat perkembangan kognitif, yang berisiko menurunkan kualitas sumber daya manusia di masa depan. Hal ini menjadikannya sebagai isu prioritas dalam pencapaian Sustainable Development Goals (SDGs), khususnya tujuan ke-2 (Zero Hunger) dan tujuan ke-3 (Good Health and Well-Being). Di era digital, persepsi masyarakat terhadap stunting dapat diidentifikasi melalui analisis sentimen dari data teks, seperti media sosial atau artikel berita. Dengan memahami opini publik, pemerintah dan lembaga terkait dapat menyusun strategi komunikasi yang lebih efektif dalam meningkatkan kesadaran dan partisipasi masyarakat untuk menurunkan angka stunting. Penelitian ini menggunakan metode Support Vector Machine (SVM) untuk mengklasifikasikan sentimen masyarakat terkait stunting, dengan membandingkan dua teknik encoding teks, yaitu Bag of Words (BoW) dan Term Frequency-Inverse Document Frequency (TF-IDF). Penilaian evaluasi model terbaik berdasarkan metrik accuracy, precision, recall, dan f1-score. Hasil evaluasi menunjukkan secara keseluruhan teknik encoding TF-IDF lebih baik dibanding BoW dengan nilai accuracy sebesar 0.7541, precision sebesar 0.6715, recall sebesar 0.6734 dan f1-score sebesar 0.6724. Model terbaik diperoleh menggunakan teknik encoding TF-IDF dengan algoritma SVM kernel polynomial dengan nilai 'C': 1, 'class_weight': 'balanced', 'coef0': 0.1, 'degree': 2, 'gamma': 1, 'shrinking': True, dan 'tol': 0.001. Kombinasi ini mampu memberikan klasifikasi sentimen yang lebih seimbang dan akurat terhadap data yang tidak seimbang. Hasil penelitian ini diharapkan dapat memberikan kontribusi dalam mendukung strategi komunikasi berbasis data yang lebih efektif untuk percepatan penurunan angka stunting di Indonesia.

Item Type:	Thesis (Bachelor)
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA76 Computer software
Divisions:	Jurusan Matematika dan Teknologi Informasi > Matematika
Depositing User:	Rianti R Pasengoran
Date Deposited:	14 Jul 2025 03:46
Last Modified:	14 Jul 2025 03:46
URI:	http://repository.itk.ac.id/id/eprint/24393

Actions (login required)

View Item