<![CDATA[Perkembangan media sosial telah menjadikan platform YouTube sebagai salah satu sarana utama masyarakat dalam menyampaikan opini terhadap berbagai isu publik, termasuk kasus dugaan korupsi di sektor minyak dan gas (migas). Komentar yang dihasilkan pengguna YouTube mengandung informasi mengenai persepsi dan sentimen masyarakat, namun jumlahnya yang besar serta sifatnya yang tidak terstruktur menyebabkan analisis secara manual menjadi kurang efektif. Oleh karena itu, diperlukan metode analisis sentimen yang mampu mengolah dan mengklasifikasikan opini masyarakat secara otomatis dan akurat. Penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube terhadap kasus dugaan korupsi migas menggunakan algoritma Support Vector Machine (SVM). Penelitian ini menggunakan pendekatan kuantitatif dengan tahapan pengumpulan data komentar YouTube, preprocessing data yang meliputi cleaning, case folding, tokenizing, stopword removal, dan stemming, kemudian ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Selanjutnya, proses klasifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM) dengan empat jenis kernel, yaitu linear, sigmoid, Radial Basis Function (RBF), dan polynomial. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan sentimen komentar YouTube ke dalam kategori positif, negatif, dan netral dengan baik. Berdasarkan hasil pengujian, kernel linear menghasilkan performa terbaik dengan nilai akurasi sebesar 74,95% dan weighted F1-score sebesar 0,75. Sementara itu, kernel sigmoid memperoleh akurasi sebesar 72,40%, kernel RBF sebesar 71,23%, dan kernel polynomial sebesar 56,45%. Hasil tersebut menunjukkan bahwa karakteristik data sentimen komentar YouTube pada kasus dugaan korupsi migas cenderung dapat dipisahkan secara linear sehingga kernel linear menjadi pilihan yang paling optimal. Penelitian ini membuktikan bahwa kombinasi TF-IDF dan SVM dapat digunakan secara efektif untuk menganalisis opini masyarakat terhadap isu publik yang berkembang di media sosial.]]>
