Optimasi Algoritma Support Vector Machine dengan Adaboost pada Komentar Youtube terhadap Pasangan Calon Presiden di Pemilu 2024 = Optimization of Support Vector Machine Algorithm with Adaboost on Youtube Comments Regarding Presidential Candidate in The 2024 Election

SYAHRUL MUBARAK AMIR. Optimasi Algoritma Support Vector Machine dengan Adaboost pada Komentar Youtube terhadap Pasangan Calon Presiden di Pemilu 2024 (dibimbing oleh Siswanto). Latar Belakang. Pemilu 2024 di Indonesia menjadi perhatian masyarakat, termasuk di platform media sosial seperti Youtube. Salah satu bentuk partisipasi publik yang banyak ditemui adalah komentar-komentar pada video, pada momen setelah debat terakhir, perdebatan di berbagai lapisan masyarakat seluruh Indonesia tak dapat terhindarkan. Mengidentifikasi sentimen dari komentar-komentar ini menjadi tantangan tersendiri, terutama mengingat volume data yang sangat besar dan beragamnya ekspresi opini. Support Vector Machine (SVM) dengan beberapa kelebihannya dibanding metode lain masih memiliki keterbatasan terutama ketika dataset sangat besar yang berakibat pada evaluasi klasifikasi yang rendah, sehingga dibutuhkan metode tambahan agar SVM dapat bekerja secara optimal. Tujuan. Penelitian ini bertujuan untuk mendapatkan hasil klasifikasi beserta evaluasi perbandingan hasil kinerja klasifikasi metode SVM sebelum dan setelah pemberian optimasi oleh algoritma Adaboost pada data netralitas masyarakat terkait arah dukungan Capres-Cawapres di pemilu 2024. Metode. Penelitian ini mengkombinasikan antara SVM dan Adaboost, di mana SVM bertindak sebagai classifier untuk menentukan sentimen, dan Adaboost yang merupakan Ensemble Learning digunakan untuk meningkatkan akurasi prediksi dengan memperbaiki kesalahan pada iterasi sebelumnya. Proses pengolahan data melibatkan penggunaan TF-IDF sebagai alat transformasi data menjadi vektor numeric, menggunakan 5-fold cross-validation untuk mengevaluasi kinerja model. Hasil. Evaluasi klasifikasi berupa Accuracy, Precision, Sensitivity, dan F-Measure yang didapatkan dengan SVM kernel RBF secara berurutan 81,23%, 83,05%, 83,15% dan 82,79%. Sedangkan, SVM-Adaboost secara berurutan 88.96%, 88,17%, 91,40% dan 89.74%. Kesimpulan. metode Adaboost dengan Support Vector Machine lebih baik dari Support Vector Machine saja dalam mengklasifikasikan sentimen terhadap tingkat netralitas kepada capres dan cawapres di Komentar Youtube yang dibuktikan dengan nilai Accuracy, Precision dan F-Measure yang lebih baik.

Keyword : TF-IDF; analisis sentimen; ensemble learning; 5-fold cross-validation; kernel RBF; klasifikasi.