ANALISIS SENTIMEN INFLASI PANGAN REGIONAL BERBASIS GRAF DENGAN INDOBERT

Abstract

Inflasi harga pangan merupakan tantangan makroekonomi yang kritis di Indonesia yang secara langsung memengaruhi kesejahteraan masyarakat dan daya beli rumah tangga. Penelitian ini mengusulkan kerangka analisis sentimen berbasis graf yang mengintegrasikan IndoBERT, model bahasa Indonesia pra-latih, dengan Graph Convolutional Network (GCN) untuk menganalisis sentimen publik terhadap inflasi pangan regional. Dataset sebanyak 13.000 unggahan media sosial dan artikel berita dari tahun 2021–2023, mencakup enam provinsi di Indonesia, dikumpulkan dan dilabeli ke dalam kelas sentimen positif, netral, dan negatif. Data dibagi menjadi set pelatihan (70%), validasi (15%), dan pengujian (15%) menggunakan sampling terstratifikasi, dan performa model dievaluasi menggunakan akurasi, presisi, recall, dan F1-score rata-rata makro, serta diuji signifikansi statistiknya dengan uji McNemar. Model GCN-IndoBERT yang diusulkan menangkap fitur semantik dari teks sekaligus struktur relasional antar dokumen, mencapai F1-score sebesar 0,883 dan akurasi 88,3%, melampaui model baseline termasuk IndoBERT-only (F1 = 0,810), BiLSTM (F1 = 0,740), SVM (F1 = 0,680), dan Naive Bayes (F1 = 0,610). Eksperimen ablasi mengonfirmasi bahwa pengayaan struktur graf berkontribusi sebesar 7,3% peningkatan F1 relatif. Hasil ini menunjukkan efektivitas model bahasa pra-latih yang ditingkatkan dengan graf untuk tugas sentimen bahasa Indonesia yang spesifik domain, dan berpotensi menjadi alat bantu awal untuk pemantauan sentimen publik terkait ketahanan pangan regional, meskipun penerapannya secara langsung dalam pengambilan kebijakan masih memerlukan validasi lebih lanjut pada konteks operasional nyata.