Optimalisasi Arsitektur LSTM untuk Model Analisis Sentimen terhadap Program Makan Bergizi Gratis (MBG)

Teguh Wiharko; Riffa Haviani Laluma; Gunawansyah; Euis Nuraeni

doi:10.37424/informasi.v18i2.658

Teguh Wiharko Universitas Sangga Buana
Riffa Haviani Laluma Universitas Sangga Buana
Gunawansyah Universitas Sangga Buana
Euis Nuraeni Universitas Sangga Buana

DOI: https://doi.org/10.37424/informasi.v18i2.658

Abstract

Program Makan Bergizi Gratis (MBG) merupakan salah satu prioritas pembangunan nasional yang bertujuan untuk memperkuat pemenuhan gizi anak, mengurangi stunting, dan meningkatkan kualitas sumber daya manusia. Namun, implementasi kebijakan ini memicu reaksi beragam di media sosial, mulai dari dukungan hingga kritik mengenai efektivitas, pendanaan, dan aspek teknis pelaksanaannya. Analisis sentimen konvensional dalam bahasa Indonesia masih mengalami keterbatasan dalam memahami konteks informal, sehingga dibutuhkan model yang lebih adaptif dan presisi. Penelitian ini bertujuan untuk mengoptimalkan model Long Short-Term Memory (LSTM) guna meningkatkan akurasi analisis sentimen masyarakat terhadap Program MBG. Metode yang digunakan meliputi pengumpulan data dari platform media sosial, pembersihan dan preprocessing teks, pelatihan model baseline LSTM, optimasi arsitektur melalui hyperparameter tuning, evaluasi performa, serta visualisasi sentimen publik. Hasil penelitian menunjukkan bahwa model LSTM teroptimasi mampu meningkatkan akurasi secara signifikan dibandingkan model baseline. Penelitian ini diharapkan memberikan kontribusi signifikan terhadap pengembangan Natural Language Processing (NLP) berbahasa Indonesia serta mendukung perumusan kebijakan publik yang lebih adaptif dan berbasis bukti.

References

Andriani, W., Gunawan, G., & Naja, N. N. P. W. (2026). Optimasi bayesian pada model long short-term memory untuk prediksi harga saham perbankan Indonesia. IT-EXPLORE: Jurnal Penerapan Teknologi Informasi dan Komunikasi, vol. 5, no. 2, pp. 217–231. DOI: 10.24246/itexplore.v5i2.2026.

B. E. S. Dewi (2025). Pengukuran Kemiripan Kalimat Bahasa Indonesia Menggunakan Representasi Word Embedding FastText, Jurnal Teknologi Informasi dan Digital (TRIDI), vol. 2, no. 2, pp. 20–29.

E. Amaia, A. N. Izzah, A. Akram, and N. Risal (2023). Klasifikasi Penyalahgunaan Pesan Singkat Menggunakan Algoritma Naïve Bayes, Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 8, no. 1.

G. Widjaja (2025). Perubahan Pola Komunikasi dalam Masyarakat Akibat Penggunaan Aplikasi Pesan Instan, Prosiding Seminar Nasional Indonesia, vol. 3, pp. 10–16.

G. D. Prenata (2026). Evaluasi Komparatif DFFNN, DFFNN-GA, DFFNN-GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik dengan Sliding Window Cross-Validation, Techné Jurnal Ilmiah Elektroteknika, vol. 25, no. 1, pp. 91–104.

Gülmez, B. (2023). Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems With Applications, 227, 120346. https://doi.org/10.1016/j.eswa.2023.120346.

H. S. Wicaksana and H. Suhud (2026). Peningkatan Performansi Deteksi Pesan Spam Melalui Optimasi LSTM Berbasis Word2Vec dan Grid Search, JITE (Jurnal Informatika dan Teknologi Informasi), vol. 2, no. 1.

I. S. Kervanci, M. F. Akay, and E. Ozceylan (2023). Bitcoin Price Prediction using LSTM, GRU and Hybrid LSTM-GRU with Bayesian Optimization, Random Search, And GRID SEARCH for the Next Days, Journal of Industrial and Management Optimization, pp. 1–19.

I. K. A. Enriko, F. N. Gustiyana, and R. H. Putra (2023). Komparasi Hasil Optimasi Pada Prediksi Harga Saham PT. Telkom Indonesia Menggunakan Algoritma Long Short Term Memory, Jurnal Media Informatika Budidarma, vol. 7, no. 2, pp. 659–667.

Ma’aly, A. N., Pramesti, D., Fathurahman, A. D., & Fakhrurroja, H. (2024). Exploring sentiment analysis for the Indonesian presidential election through online reviews using multi-label classification with a deep learning algorithm. Information, 15(11), 705. https://doi.org/10.3390/info15110705

M. L. Hawali and Walid (2025). Pemilihan Neuron LSTM dan LSTM Bayesian Optimization Untuk Prediksi Curah Hujan Bulanan Berbasis Iklim, Jurnal Fasilkom, vol. 15, no. 2, pp. 376–382.

Nugroho, D., & Ardhianto, E. (2026). Pengembangan model prediksi saham perbankan Indonesia dengan optimasi algoritma Long Short-Term Memory (LSTM). AITI: Jurnal Teknologi Informasi, vol. 23, no. 2, pp. 231–244.

R. Andika and Kusrini (2025). Optimasi Hyperparameter Model LSTM dan Variannya untuk Peramalan Pembelian Bahan Baku Karet Alam, JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 3, pp. 2627–2639.

R. Z. N. Ahmad, N. S. Harahap, S. Agustian, I. Iskandar, and S. Sanjaya (2025). Perbandingan Performa Random Forest dan Long Short-Term Memory dalam Klasifikasi Teks Multilabel Terjemahan Hadits Bukhari, MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 5, no. 3, pp. 862–874.

S. Hochreiter and J. Schmidhuber (1997). Long Short-Term Memory, Neural Computation, vol. 9, no. 8, pp. 1735–1780.