ANALISIS SENTIMEN KOMENTAR YOUTUBE PADA VIDEO UGM MENJAWAB IJAZAH JOKOWI MENGGUNAKAN SVM

Abstract

Penelitian ini dilatar belakangi oleh urgensi analisis sentimen publik terhadap video klarifikasi resmi Universitas Gadjah Mada (UGM) berjudul "#UGMMENJAWAB IJAZAH JOKO WIDODO" yang memicu polarisasi opini masif. Urgensi penelitian terletak pada dua tantangan teknis mayor tingginya noise linguistik pada data komentar YouTube yang bersifat informal dan masalah imbalanced dataset yang ekstrem sehingga menyebabkan bias model jika tidak ditangani secara metodologis. Tujuan penelitian ini mengimplementasikan tahapan pra-pemrosesan teks untuk mengurangi noise linguistik, menganalisis pengaruh imbalanced dataset terhadap performa awal model, menguji efektivitas teknik penanganan ketidakseimbangan kelas menggunakan SMOTE (Synthetic Minority Over-sampling Technique) dan mengidentifikasi distribusi polarisasi sentimen publik. Metode yang digunakan adalah Text Mining berbasis algoritma Support Vector Machine (SVM) dengan kernel Linear, dikombinasikan dengan ekstraksi fitur TF-IDF (Term Frequency-Inverse Document Frequency). Data berjumlah 1.000 komentar YouTube dikumpulkan melalui web scraping pada 22 November 2025. Pra-pemrosesan meliputi cleaning, normalisasi kata slang, stopword removal, dan stemming menggunakan Sastrawi. Hasil analisis menunjukkan ketimpangan distribusi kelas yang ekstrem: sentimen negatif mendominasi 91,2% (912 komentar), sentimen positif hanya 8,8% (88 komentar). Model SVM data leakage menghasilkan akurasi global 81,59%, namun Recall kelas positif hanya 0,03 indikasi bias kuat ke kelas mayoritas. Setelah penerapan SMOTE pada data latih pasca split 80:20, Recall sentimen positif meningkat menjadi ~0,84 dan F1-Score menjadi ~0,77. Penelitian ini menyimpulkan bahwa SVM efektif untuk klasifikasi teks berdimensi tinggi asalkan masalah imbalanced dataset ditangani secara metodologis menggunakan oversampling seperti SMOTE.