IMPLEMENTASI SYNTHETIC MINORITY OVER-SAMPLING TECHNIQUE (SMOTE) DALAM ANALISIS SENTIMEN PROGRAM PEMERINTAH FOOD ESTATE PADA TWITTER MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Analisis sentimen merupakan metode yang digunakan untuk memahami persepsi dan opini publik terhadap suatu topik. Dalam penelitian ini, peneliti mengimplementasikan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani masalah ketidakseimbangan data dalam analisis sentimen program Food Estate di Twitter. Ketidakseimbangan data sering terjadi ketika jumlah data dalam satu kelas jauh lebih banyak dibandingkan dengan kelas lainnya, yang dapat menyebabkan bias dalam hasil analisis. Metode yang digunakan dalam penelitian ini adalah algoritma Support Vector Machine (SVM), yang terkenal dengan kemampuannya dalam klasifikasi data. Data yang digunakan adalah tweet yang berkaitan dengan program Food Estate, yang diambil melalui web scraping dari platform Twitter. Proses analisis meliputi pengumpulan data, pra-pemrosesan data, penerapan teknik SMOTE untuk menyeimbangkan data, dan akhirnya pelatihan model SVM untuk analisis sentimen. Hasil penelitian menunjukkan bahwa penggunaan SMOTE berhasil meningkatkan kinerja model SVM dalam mengklasifikasikan sentimen tweet terkait program Food Estate. Penerapan SMOTE memberikan kontribusi signifikan dalam mengatasi masalah ketidakseimbangan data, yang terbukti dari peningkatan akurasi, presisi, dan recall pada model SVM. Hasil penelitian menunjukkan bahwa model SVM yang diimplementasikan berhasil mencapai akurasi sebesar 67.4% dalam mengklasifikasikan sentimen masyarakat terhadap program food estate. Penelitian ini memberikan kontribusi penting dalam bidang analisis sentimen, khususnya dalam konteks ketidakseimbangan data dan penerapan algoritma SVM untuk data dari media sosial.