Evaluasi Kinerja Support Vector Machine Pada Klasifikasi Sentimen Ulasan Skincare Whitelab di Media Sosial

Abstract

Meningkatnya penggunaan media sosial mendorong konsumen untuk mengekspresikan pengalaman mereka dalam menggunakan produk skincare melalui berbagai ulasan secara daring. Ulasan tersebut mengandung informasi yang dapat digunakan untuk menganalisis tingkat kepuasan serta persepsi konsumen terhadap suatu produk, meskipun besarnya volume data menjadi tantangan tersendiri dalam proses pengolahan dan analisis. Penelitian ini dilakukan untuk mengevaluasi kinerja algoritma Support Vector Machine (SVM) dalam melakukan klasifikasi sentimen positif dan negatif pada ulasan produk skincare Whitelab, sekaligus mengkaji peran Synthetic Minority Over-sampling Technique (SMOTE) dalam menangani permasalahan ketidakseimbangan data. Sebanyak 2.981 data ulasan yang diperoleh dari platform TikTok dan YouTube digunakan dalam penelitian ini, yang selanjutnya melalui tahap prapemrosesan teks serta ekstraksi fitur menggunakan metode TF-IDF. Pengujian model dilakukan dengan dua skema pembagian data, yaitu 70:20:10 dan 80:20. Hasil evaluasi menunjukkan bahwa penerapan SMOTE mampu meningkatkan kinerja model secara signifikan dibandingkan dengan model tanpa penyeimbangan data, dengan capaian akurasi tertinggi sebesar 89,21%. Temuan ini mengindikasikan bahwa kombinasi metode SVM dan SMOTE efektif dalam menghasilkan klasifikasi sentimen ulasan skincare Whitelab yang lebih akurat dan seimbang.
Kata kunci— analisis sentimen, Support Vector Machine, smote, ulasan skincare, Whitelab