KOMPARASI METODE SVM DAN LOGISTIC REGRESSION PADA ANALISIS SENTIMEN PROSEDUR SNBP

Abstract

Perkembangan Natural Language Processing (NLP) mendorong pemanfaatan analisis sentimen untuk memahami pandangan publik terhadap kebijakan pendidikan, termasuk Seleksi Nasional Berdasarkan Prestasi (SNBP) yang menjadi topik hangat setiap tahun ajaran baru. Beragam komentar yang muncul menunjukkan adanya perbedaan opini di masyarakat, sehingga diperlukan analisis untuk mengidentifikasi pola sentimen yang terbentuk. Penelitian ini bertujuan membandingkan kinerja algoritma Logistic Regression dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen terhadap prosedur SNBP. Data penelitian diperoleh dari kuesioner daring yang telah dilabeli berdasarkan rating, kemudian diproses melalui tahap preprocessing teks dan ekstraksi fitur menggunakan TF-IDF. Selanjutnya, data digunakan dalam proses klasifikasi dan dievaluasi menggunakan confusion matrix serta metrik performa. Hasil pengujian menunjukkan bahwa Logistic Regression memperoleh akurasi sebesar 85,96% namun cenderung bias terhadap kelas positif. Sementara itu, SVM memperoleh akurasi sebesar 87,72% dengan hasil klasifikasi yang lebih seimbang pada setiap kelas. Distribusi data yang tidak terlalu timpang antar kategori sentimen memungkinkan SVM bekerja lebih maksimal dalam memetakan variasi opini responden terkait prosedur SNBP dibandingkan Logistic Regression