EVALUASI KINERJA SUPPORT VECTOR MACHINE DAN GRADIENT BOOSTING DALAM ANALISIS SENTIMEN PUBLIK (STUDI KASUS: KEDATANGAN ETNIS ROHINGYA KE INDONESIA)

Latar belakang. Analisis sentimen telah menjadi topik yang sangat relevan dalam memahami pandangan dan tanggapan masyarakat terhadap berbagai peristiwa dan isu kontemporer. Tujuan. Penelitian ini bertujuan untuk mengevaluasi kinerja dua metode klasifikasi sentimen, yaitu Support Vector Machine (SVM) dan Gradient Boosting dalam menganalisis sentimen publik terkait kedatangan etnis Rohingya ke Indonesia berdasarkan data dari platform X (twitter). Data yang digunakan adalah tweet yang diposting pada tanggal 25 Desember 2023 hingga 28 Desember 2023 dengan kata kunci "Rohingya". Metode. Proses analisis meliputi preprocessing data, pelabelan sentimen menggunakan library TextBlob, pembagian data dengan metode Hold-out Validation, pembobotan kata menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF), penyeimbangan data dengan metode SMOTE, dan klasifikasi menggunakan Support Vector Machine dan Gradient Boosting. Evaluasi performa dilakukan dengan membandingkan akurasi, presisi, recall, dan F1-score dari kedua metode tersebut dengan menggunakan data uji. Hasil. Mayoritas tweet yang dianalisis mengandung sentimen netral, dengan Gradient Boosting menunjukkan kinerja yang lebih baik daripada Support Vector Machine. Gradient Boosting mencapai akurasi sebesar 91%, presisi 91%, recall 90%, dan F1-score 90%, sementara SVM memiliki akurasi sebesar 88%, presisi 88%, recall 87%, dan F1-score 87%. Kesimpulan. Temuan ini memberikan wawasan yang berharga mengenai pandangan publik terhadap kedatangan etnis Rohingya ke Indonesia dan menunjukkan potensi Gradient Boosting sebagai metode yang efektif dalam menganalisis sentimen publik.