Optimasi Algoritma Support Vector Machine Dengan Hyperparameter Tuning Untuk Analisis Sentimen Adopsi Kendaraan Listrik

Abstract

Adopsi kendaraan listrik di Indonesia merupakan langkah strategis pemerintah untuk mengurangi emisi gas rumah kaca, namun transisi ini memicu polarisasi opini publik di media sosial X. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap kendaraan listrik dengan mengoptimalkan algoritma Support Vector Machine (SVM) melalui teknik hyperparameter tuning guna memperoleh akurasi klasifikasi yang maksimal. Metode penelitian diawali dengan pengumpulan 3.888 tweet melalui web scraping, yang kemudian diproses melalui tahapan preprocessing meliputi cleaning, case folding, tokenizing, stopword removal, dan stemming. Data diolah menggunakan pembobotan fitur TF-IDF dan dibagi menjadi 80% data latih serta 20% data uji. Optimasi dilakukan dengan metode Grid Search untuk menemukan kombinasi parameter terbaik pada kernel, nilai C, dan gamma. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan sentimen masyarakat dengan tingkat akurasi tertinggi mencapai 80,00%. Analisis data mengungkapkan terdapat 910 data sentimen negatif dan 762 data sentimen positif, yang mencerminkan adanya tantangan sekaligus optimisme masyarakat terhadap aspek lingkungan dan infrastruktur pendukung seperti stasiun pengisian daya. Penerapan hyperparameter tuning terbukti berhasil meningkatkan performa model dibandingkan parameter standar yang menghasilkan akurasi 80,30%, sekaligus memberikan landasan ilmiah mengenai batas maksimal performa model dalam menangani data teks opini kendaraan listrik. Penelitian ini berkontribusi bagi pembuat kebijakan dalam memahami persepsi publik guna mendukung percepatan ekosistem kendaraan listrik di Indonesia secara efektif. Berdasarkan hasil evaluasi, model SVM terbukti cukup reliabel dalam melakukan kategorisasi sentimen otomatis pada data media sosial yang bersifat tidak terstruktur.