ALFARISI, MUHAMMAD (2026) ANALISIS PERBANDINGAN KINERJA MODEL INDOBERT, BI-LSTM, DAN INDOBERT + BI-LSTM DALAM KLASIFIKASI TINGKAT KERAWANAN PANGAN BERDASARKAN TEKS BERITA BADAN PANGAN NASIONAL. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
Cover.pdf Download (473kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB 1.pdf Restricted to Registered users only Download (50kB) |
|
|
Text (BAB II)
BAB 2.pdf Restricted to Registered users only Download (194kB) |
|
|
Text (BAB III)
BAB 3.pdf Restricted to Registered users only Download (175kB) |
|
|
Text (BAB IV)
BAB 4.pdf Restricted to Registered users only Download (293kB) |
|
|
Text (BAB V)
BAB 5.pdf Restricted to Registered users only Download (33kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (96kB) |
|
|
Text (LAMPIRAN)
Lampiran.pdf Restricted to Registered users only Download (749kB) |
Abstract
Food security is a fundamental pillar in maintaining national stability, making accurate and timely monitoring of food insecurity conditions a critical necessity. In Indonesia, information related to food security is extensively documented in policy texts and official reports published by the National Food Agency (Badan Pangan Nasional, Bapanas); however, the continuously increasing volume of textual data renders manual analysis inefficient and may hinder effective decision-making processes. Therefore, this study proposes a Natural Language Processing (NLP) and deep learning-based approach to automatically classify food insecurity levels using policy-related news texts and official reports from Bapanas. This study aims to design, implement, and evaluate text classification models by comparing three approaches, namely Bidirectional Long Short-Term Memory (Bi-LSTM), IndoBERT, and a hybrid model combining BERT embeddings with Bi-LSTM. The dataset consists of 2,949 policy-related food security texts collected through web scraping from the official Bapanas website, covering the period from January 2021 to October 2025. Data labeling was conducted using a keyword-based labeling and definition score labeling approach to classify texts into three food insecurity categories: Secure, Vulnerable, and Alert. Model performance was evaluated using standard metrics, including Accuracy, Precision, Recall, and F1-Score. The results indicate that deep learning-based approaches, particularly models leveraging contextual representations from IndoBERT, demonstrate superior performance in capturing the semantic context of food policy texts compared to conventional sequential models, highlighting their potential as a complementary decisionsupport tool for policymakers in monitoring and assessing food insecurity conditions in Indonesia. Kata kunci: Food Security, Text Classification, Deep Learning, IndoBERT, BiLSTM, National Food Agency, Natural Language Processing. Ketahanan pangan merupakan salah satu pilar fundamental dalam menjaga stabilitas nasional, sehingga pemantauan kondisi kerawanan pangan secara akurat dan tepat waktu menjadi kebutuhan yang krusial. Informasi mengenai kondisi pangan di Indonesia banyak terdokumentasi dalam bentuk teks kebijakan dan laporan resmi yang dipublikasikan oleh Badan Pangan Nasional (Bapanas), namun volume data teks yang terus bertambah menyebabkan analisis manual menjadi tidak efisien dan berpotensi menghambat proses pengambilan keputusan. Oleh karena itu, penelitian ini mengusulkan pendekatan berbasis Natural Language Processing (NLP) dan deep learning untuk mengklasifikasikan tingkat kerawanan pangan secara otomatis berdasarkan teks berita dan laporan resmi Bapanas. Penelitian ini bertujuan untuk merancang, mengimplementasikan, serta mengevaluasi kinerja model klasifikasi teks dengan membandingkan tiga pendekatan, yaitu Bidirectional Long Short-Term Memory (Bi-LSTM), IndoBERT, serta kombinasi BERT embedding dengan Bi-LSTM. Dataset yang digunakan terdiri dari 2.949 teks berita kebijakan pangan yang dikumpulkan melalui proses web scraping dari situs resmi Bapanas dalam rentang waktu Januari 2021 hingga Oktober 2025. Pelabelan data dilakukan menggunakan pendekatan berbasis kata kunci (keyword-based labeling) dan definition score labeling untuk mengklasifikasikan teks ke dalam tiga kategori tingkat kerawanan pangan, yaitu Aman, Rentan, dan Waspada. Evaluasi kinerja model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Hasil penelitian menunjukkan bahwa pendekatan berbasis deep learning, khususnya model yang memanfaatkan representasi kontekstual dari IndoBERT, mampu memberikan kinerja yang lebih baik dalam memahami konteks semantik teks kebijakan pangan dibandingkan pendekatan sekuensial konvensional, sehingga berpotensi menjadi alat bantu pendukung bagi pemangku kebijakan dalam memantau dan mengevaluasi kondisi kerawanan pangan di Indonesia. Kata kunci: Ketahanan Pangan, Klasifikasi Teks, Deep Learning, IndoBERT, BiLSTM, Badan Pangan Nasional, Natural Language Processing.
Actions (login required)
 |
View Item |
