PENERAPAN SMOTE DAN CLUSTER-BASED UNDERSAMPLING DALAM KLASIFIKASI OPINI PUBLIK BERBASIS SUPPORT VECTOR MACHINE

Abstract

Tujuan: Penelitian ini bertujuan untuk menerapkan metode hybrid yang menggabungkan SMOTE dan Cluster-Based Undersampling Technique guna mengatasi ketidakseimbangan data dalam klasifikasi sentimen terhadap Rancangan Undang-Undang Perampasan Aset menggunakan Support Vector Machine (SVM).

Metode: Penelitian ini menggunakan pendekatan kuantitatif dengan rancangan eksperimental komparatif. Data dikumpulkan dari media sosial X terkait Rancangan Undang-Undang Perampasan Aset, dilanjutkan dengan preprocessing, pelabelan, ekstraksi fitur, serta pemisahan data latih dan data uji. Ketidakseimbangan data diatasi dengan menggabungkan metode SMOTE dan Cluster-Based Undersampling Technique pada data latih. Selanjutnya, klasifikasi sentimen dilakukan menggunakan Support Vector Machine (SVM).

Hasil: Hasil penelitian menunjukkan bahwa model SVM tanpa penyeimbangan data menghasilkan akurasi 70,10%, presisi 62%, recall 46%, dan F1-score 47%, dengan recall kelas negatif yang sangat rendah sebesar 8%. Setelah penerapan metode resampling hybrid SMOTE dan Cluster-Based Undersampling Technique, performa model meningkat signifikan dengan akurasi 82%, presisi 84%, recall 82%, dan F1-score 82%, yang mengindikasikan bahwa metode hybrid mampu mengatasi dominasi kelas mayoritas dan meningkatkan sensitivitas model secara merata pada seluruh kelas sentimen.

Simpulan: Temuan penelitian ini mengindikasikan bahwa penerapan metode SMOTE dan Cluster-Based Undersampling Technique berkontribusi signifikan dalam meningkatkan keadilan prediksi model SVM pada data yang tidak seimbang. Oleh karena itu, kombinasi kedua metode tersebut dapat dijadikan solusi yang efektif dalam pengembangan sistem klasifikasi sentimen opini publik, khususnya pada kasus dengan distribusi kelas yang tidak proporsional.