PERBANDINGAN OVERSAMPLING DAN TEXT AUGMENTATION PADA ANALISIS SENTIMEN ISU KORUPSI PERTAMAX MENGGUNAKAN SUPPORT VECTOR MACHINE

Isu korupsi Pertamina yang ramai diperbincangkan di media sosial menunjukkan pentingnya dilakukan analisis sentimen guna memahami persepsi publik. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat ke dalam kategori positif dan negatif menggunakan metode Support Vector Machine (SVM). Data diperoleh melalui proses crawling dari media sosial X dan dilabeli secara manual. Ditemukan adanya ketidakseimbangan kelas, di mana ulasan negatif lebih dominan dibandingkan ulasan positif. Untuk mengatasi hal tersebut, dilakukan perbandingan dua teknik penyeimbangan data, yaitu text augmentation dan SMOTE. Proses pra-pemrosesan mencakup cleaning, case folding, tokenization, normalization, stopword removal, dan stemming. Fitur teks diekstraksi menggunakan metode TF-IDF. Pengujian dilakukan dalam dua skenario. Skenario pertama menggunakan text augmentation dengan optimasi parameter grid search, menghasilkan akurasi tertinggi 99,44% menggunakan kernel Linear dan RBF. Skenario kedua menggunakan SMOTE menghasilkan akurasi 97,54% dengan kernel Linear. Evaluasi metrik pada skenario pertama menunjukkan nilai presisi, recall, dan F1-Score masing-masing 99%. Pada skenario kedua, diperoleh nilai presisi 98%, recall 97%, dan F1-Score 97%. Hasil penelitian menunjukkan bahwa text augmentation memberikan performa klasifikasi yang lebih optimal dibandingkan dengan SMOTE.