OPTIMALISASI MODEL KLASIFIKASI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN SMOTE PADA DATA SENTIMEN PROGRAM MAKAN BERGIZI GRATIS

Abstract

Perkembangan media sosial, khususnya YouTube, telah menjadi sarana bagi masyarakat untuk menyampaikan opini terhadap berbagai kebijakan pemerintah, termasuk Program Makan Bergizi Gratis. Volume komentar yang besar menjadikan analisis manual menjadi tidak efektif, sehingga diperlukan pendekatan komputasional untuk mengidentifikasi sentimen publik. Penelitian ini bertujuan untuk menganalisis dan mengoptimalkan performa model klasifikasi menggunakan algoritma Support Vector Machine (SVM) dengan penerapan metode Synthetic Minority Over-sampling Technique (SMOTE). Metode yang digunakan meliputi pengumpulan data, pelabelan sentimen, pengujian reliabilitas pelabelan, preprocessing teks, pembobotan fitur menggunakan TF-IDF, split data dengan rasio 80:20, serta optimasi model menggunakan cross validation. Penelitian dilakukan dengan dua skenario, yaitu SVM tanpa SMOTE dan SVM dengan SMOTE. Hasil penelitian menunjukkan bahwa model tanpa SMOTE menghasilkan akurasi sebesar 0.5724 namun cenderung bias terhadap kelas mayoritas. Sementara itu, model dengan SMOTE menghasilkan akurasi sebesar 0.3914 dengan peningkatan nilai precision sebesar 0.3097, recall sebesar 0.3061, dan F1-score sebesar 0.3049, yang menunjukkan performa klasifikasi yang lebih seimbang. Berdasarkan hasil tersebut, dapat disimpulkan bahwa penerapan SMOTE mampu meningkatkan performa model SVM dalam menangani data tidak seimbang, khususnya dalam meningkatkan kemampuan deteksi pada kelas minoritas.