Klasifikasi pertanyaan merupakan pekerjaan yang signifikan dalam bidang Natural Language Processing (NLP), di mana tujuannya adalah untuk mengkategorikan pertanyaan ke dalam kelas-kelas yang telah ditentukan. Fungsi klasifikasi pertanyaan dapat digunakan dalam berbagai cara, termasuk Sistem Penjawab Pertanyaan (QAS), Pencarian Informasi (IR), atau dalam bidang pendidikan. Karena jumlah fungsi yang terkait dengan klasifikasi pertanyaan terus berkembang, pembangunan sistem klasifikasi menjadi lebih penting. Makalah ini mengusulkan sebuah pendekatan baru untuk klasifikasi yang memanfaatkan teknik-teknik canggih dalam pembelajaran mesin, dengan fokus khusus pada Jaringan Konvolusi Graf (GCN). GCN menyediakan pendekatan yang kuat dan dapat diandalkan untuk klasifikasi pertanyaan karena kapasitasnya untuk mengatasi kerumitan struktural dan semantik yang melekat pada data bahasa alami. Dalam hal ini kami mengubah masalah klasifikasi dari bentuk pertanyaan menjadi sebuah graf. Tujuannya adalah untuk memastikan apakah metode ini dapat menghasilkan klasifikasi pertanyaan yang optimal. Untuk menguji model yang dibuat, kami menggunakan dataset yang terdiri dari pertanyaan-pertanyaan yang diajukan oleh pengguna. Dataset ini terdiri dari 4.959 pertanyaan yang diambil dari Reddit dan Yahoo! Answers dan diklasifikasikan ke dalam 10 kategori kognitif. Kategori-kategori tersebut adalah sebagai berikut: luas, penyebab, disjungsi, konsep, perbandingan, konsekuensi, verifikasi, prosedural, penghakiman, contoh. Setelah serangkaian percobaan dan evaluasi, teknik ini mencapai tingkat akurasi 0,6362, dan F1-Score adalah 0,5868. Temuan ini menunjukkan bahwa pendekatan GCN memiliki potensi yang luar biasa untuk mengatasi kompleksitas dan kehalusan dalam data bahasa alami untuk memberikan hasil klasifikasi pertanyaan yang tepat.