OPTIMASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN TEKNIK SMOTE UNTUK ANALISIS SENTIMEN PUBLIK TERHADAP DAMPAK PENGGUNAAN ARTIFICIAL INTELLIGENCE (AI)

Abstract

Perkembangan teknologi Artificial Intelligence (AI) memicu beragam opini publik, terutama di media sosial. Analisis sentimen menjadi pendekatan penting untuk memahami persepsi masyarakat, namun sering menghadapi tantangan berupa ketidakseimbangan data antar kategori sentimen. Penelitian ini bertujuan mengoptimalkan algoritma Support Vector Machine (SVM) dalam klasifikasi sentimen terhadap opini publik mengenai AI dengan menerapkan teknik Synthetic Minority Over-sampling Technique (SMOTE). Metode yang digunakan adalah eksperimen, data diambil dari media sosial X dan diklasifikasikan ke dalam tiga kategori: positif, negatif, dan netral. Tahapan preprocessing meliputi cleaning, case folding, normalisasi, tokenizing, stopword removal, dan stemming. Pembobotan kata dilakukan menggunakan TF-IDF, sedangkan klasifikasi menggunakan SVM dengan kernel Linear, RBF, dan Polynomial. Validasi dilakukan menggunakan K-Fold Cross Validation dan pengujian model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa SMOTE berhasil meningkatkan akurasi SVM, terutama pada kernel RBF dan Polynomial. Rata-rata akurasi kernel RBF meningkat dari 76,56% menjadi 81,22%, dan kernel Polynomial dari 71,89% menjadi 78,00%. Kernel Linear tetap stabil pada kisaran 80%. Teknik SMOTE terbukti efektif dalam meningkatkan akurasi dan mengatasi ketidakseimbangan data dalam analisis sentimen terhadap penggunaan AI.