PERBANDINGAN KINERJA LOGISTIC REGRESSION DAN SUPPORT VECTOR MACHINE DENGAN SMOTE PADA ANALISIS SENTIMEN SANTRI TERHADAP PENGGUNAAN GENERATIVE ARTIFICIAL INTELLIGENCE

Abstract

Penelitian ini bertujuan untuk menganalisis dan meningkatkan kinerja klasifikasi sentimen terhadap persepsi pengguna terhadap teknologi Generative Artificial Intelligence (GenAI) dengan mempertimbangkan permasalahan ketidakseimbangan data. Metode yang digunakan adalah pendekatan machine learning dengan algoritma Logistic Regression dan Support Vector Machine, serta penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) sebagai strategi penyeimbangan data. Proses penelitian meliputi pengumpulan data teks dari sumber digital, preprocessing menggunakan teknik Natural Language Processing (NLP), ekstraksi fitur dengan metode seperti TF-IDF, serta pelatihan dan evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa penerapan SMOTE mampu meningkatkan representasi kelas minoritas secara signifikan, sehingga berdampak pada peningkatan nilai recall dan F1-score pada kedua algoritma. Selain itu, Support Vector Machine cenderung memberikan performa yang lebih stabil pada data berdimensi tinggi, sementara Logistic Regression unggul dalam interpretabilitas model. Analisis komparatif menunjukkan bahwa kombinasi teknik preprocessing yang tepat dan pemilihan algoritma yang sesuai dapat menghasilkan model klasifikasi sentimen yang lebih akurat dan robust. Penelitian ini menyimpulkan bahwa penanganan ketidakseimbangan data merupakan faktor krusial dalam meningkatkan performa model klasifikasi sentimen. Temuan ini memberikan kontribusi dalam pengembangan metode analisis sentimen berbasis machine learning yang lebih efektif serta dapat menjadi dasar dalam pengambilan keputusan berbasis data terkait adopsi teknologi GenAI.