PENERAPAN TEXT AUGMENTATION UNTUK ANALISIS SENTIMEN KEBIJAKAN KENAIKAN TUNJANGAN DPR DI MEDIA SOSIAL X DENGAN ALGORITMA DECISION TREE CART

Media sosial X menjadi ruang utama masyarakat dalam menyampaikan opini terhadap kebijakan pemerintah, termasuk isu kenaikan tunjangan Dewan Perwakilan Rakyat (DPR) yang memicu perdebatan luas. Penelitian ini bertujuan mengklasifikasikan sentimen publik terhadap kebijakan tersebut ke dalam kategori positif dan negatif menggunakan algoritma Decision Tree CART. Data yang digunakan berupa 4.682 komentar dari media sosial X yang dikumpulkan melalui kata kunci “tuntutan 17+8”, “tunjangan rumah DPR”, dan “jarah rumah” pada periode Agustus hingga Oktober 2025, diberi label secara manual, dan divalidasi oleh ahli bahasa. Distribusi awal menunjukkan ketidakseimbangan kelas dengan 73,8% sentimen negatif dan 26,2% sentimen positif. Untuk mengatasinya, diterapkan tiga teknik text augmentation yaitu Synonym Replacement, Back Translation berbasis Google Translate API dengan perantara Bahasa Mandarin, dan kombinasi keduanya untuk menyeimbangkan distribusi kelas menjadi 50:50. Data diproses melalui pre-processing meliputi cleaning, case folding, tokenisasi, normalisasi, stopword removal, dan stemming, lalu dibobot menggunakan TF-IDF. Pengujian dilakukan dalam lima skenario dengan pembagian data 80:20 dan optimasi hyperparameter menggunakan GridSearch 5-fold cross-validation. Hasil terbaik diperoleh pada skenario kombinasi Synonym Replacement dan Back Translation dengan akurasi 84,56%, precision 85,00%, recall 84,56%, dan f1-score 84,67%, meningkat 10,07% dibandingkan baseline tanpa augmentasi sebesar 74,49%. Hasil ini membuktikan bahwa teknik text augmentation efektif mengatasi ketidakseimbangan data dan meningkatkan kemampuan model dalam mengenali kelas minoritas pada analisis sentimen berbahasa Indonesia.