Perbandingan Metode Naive Bayes Classifier dan Support Vector Machine Untuk Klasifikasi Sentimen Tentang Kebijakan Efisiensi Anggaran Pada Media Sosial X

Kebijakan efisiensi anggaran adalah strategi penting dalam manajemen keuangan publik yang seringkali menimbulkan beragam respons, terutama di media sosial. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Kebijakan Efisiensi Anggaran (Instruksi Presiden Nomor 1 Tahun 2025) di media sosial X. Selain itu, penelitian ini membandingkan kinerja dua model klasifikasi sentimen, yaitu Naive Bayes Classifier (NBC) dan Support Vector Machine (SVM). Data yang digunakan adalah 1.140 unggahan (tweet) berbahasa Indonesia yang dikumpulkan dari platform X. Metodologi CRISP-DM diterapkan, dengan fokus pada tahapan persiapan data yang mencakup cleaning, tokenization, Stemming, dan pembobotan fitur menggunakan TF-IDF. Untuk mengatasi masalah ketidakseimbangan data sentimen, teknik Synthetic Minority Over-sampling Technique (SMOTE) diimplementasikan, yang berhasil menyeimbangkan distribusi bkelas sentimen. Hasil penelitian menunjukkan bahwa setelah penerapan SMOTE, kinerja kedua model meningkat signifikan. Model SVM mencapai akurasi tertinggi sebesar 95.33%, mengungguli NBC yang mencapai 86.45%. Berdasarkan klasifikasi oleh model SVM, sentimen masyarakat terhadap kebijakan efisiensi anggaran didominasi oleh sentimen positif (732 unggahan), diikuti oleh sentimen negatif (182 unggahan), dan netral (145 unggahan). Hasil ini menunjukkan bahwa model SVM yang dioptimalkan dengan SMOTE lebih efektif dalam klasifikasi sentimen, dan secara umum, sentimen publik terhadap kebijakan tersebut cenderung positif.
Kata Kunci : Analisis Sentimen, Kebijakan Anggaran, Media Sosial X, Naive Bayes Classifier, Support Vector Machine.