TY  - THES
KW  - Analisis Sentimen
KW  -  Support Vector Machine (SVM)
KW  -  Imbalanced
Dataset
KW  -  SMOTE
KW  -  TF-IDF
KW  -  Sentiment Analysis.
TI  - OPTIMASI SUPPORT VECTOR MACHINE MENGGUNAKAN
SMOTE UNTUK MENANGANI KETIDAKSEIMBANGAN
DATA PADA KLASIFIKASI SENTIMEN
N2  - Analisis sentimen seringkali menghadapi masalah ketidakseimbangan kelas data
(imbalanced dataset) yang menyebabkan model Support Vector Machine (SVM)
cenderung bias dan kesulitan memprediksi kelas minoritas. Penelitian ini bertujuan
untuk mengoptimalkan kinerja SVM dalam mengklasifikasikan data sentimen
menggunakan teknik penyeimbangan data Synthetic Minority Over-sampling
Technique (SMOTE) dan metode pembobotan teks Term Frequency-Inverse
Document Frequency (TF-IDF).  Pengujian dilakukan melalui tiga rasio pembagian
data latih dan uji, yaitu 80:20 (Skenario 1), 70:30 (Skenario 2), dan 60:40 (Skenario
3). Peningkatan paling terlihat ketika menguji skenario 80:20(Skenario 1), dimana
kinerja model mencapai titik paling optimal dengan peningkatan rata-rata akurasi
sebesar 82,83% dan F1-Score 82,42%. Kesimpulannya, penerapan SMOTE
terbukti sangat efektif untuk mengatasi bias terhadap kelas mayoritas, sehingga
menghasilkan sistem klasifikasi sentimen yang jauh lebih adil, stabil, dan dapat
diandalkan.
A1  - Asshidiq, Aji Nugroho
ID  - universitasamikomyogyakarta32390
AV  - restricted
UR  - https://eprints.amikom.ac.id/id/eprint/32390/
M1  - bachelor
PB  - Universitas AMIKOM Yogyakarta
Y1  - 2026/02/26/
ER  -