KLASIFIKASI SENTIMEN MASYARAKAT TERHADAP KEBIJAKAN EKONOMI "PURBAYA EFFECT" MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE DAN RANDOM FOREST.

Abstract

Kebijakan ekonomi "Purbaya Effect" merupakan isu krusial yang menentukan arah stabilitas ekonomi Indonesia di masa depan, terutama terkait risiko inflasi dan defisit anggaran yang menjadi perhatian masyarakat luas. Meskipun penting, klasifikasi sentimen dalam domain ini masih terbatas karena kompleksitas istilah teknis ekonomi dan penggunaan bahasa tidak baku di media sosial. Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik terhadap kebijakan tersebut dengan membandingkan algoritma Support Vector Machine (SVM) dan Random Forest. Pendekatan yang digunakan meliputi pengumpulan 3.798 komentar dari tiga sumber video YouTube yang berbeda guna memastikan diversitas data dan objektivitas persepsi publik dari berbagai sudut pandang diskusi. Tahapan selanjutnya mencakup normalisasi istilah ekonomi seperti BI, IHSG, dan KPR agar model tetap akurat dalam konteks lokal. Hasil pelabelan menunjukkan adanya ketidakseimbangan data yang signifikan, yaitu 3.322 data positif dan 476 data negatif. Penemuan ini menunjukkan bahwa meskipun kedua model memiliki akurasi tinggi di atas 93%, F1-Score dipilih sebagai metrik evaluasi utama guna menghindari bias akurasi pada dataset yang tidak seimbang, sehingga performa model dalam mengenali kelas minoritas (sentimen negatif) tetap terukur secara objektif. SVM dengan kernel linear (C=100) ditemukan lebih unggul dengan F1-Score sebesar 0,8641 karena kemampuannya menangani dimensi teks yang kompleks secara stabil. Sebaliknya, Random Forest memiliki performa lebih rendah karena algoritma tersebut cenderung memprioritaskan akurasi pada kelas mayoritas, sehingga gagal mengenali sentimen negatif secara akurat. Sebagai penutup, penggunaan SVM memberikan gambaran persepsi publik yang lebih valid guna mengantisipasi dampak ekonomi ke depan.