<![CDATA[Pemodelan machine learning yang mengandalkan pembagian data tunggal cenderung rentan terhadap bias pengacakan. Kelemahan komputasional ini dapat diatasi melalui optimalisasi algoritma Support Vector Machine (SVM) yang diintegrasikan dengan metode ekstraksi fitur Term Frequency-Inverse Document Frequency (TF-IDF). Penelitian ini bertujuan untuk mengimplementasikan skema 5-Fold Cross Validation pada arsitektur SVM dengan mengevaluasi tiga fungsi kernel (Linear, Polinomial, dan Gaussian). Evaluasi ini dilakukan untuk mengukur tingkat akurasi serta stabilitas performa model dalam mengklasifikasikan polaritas opini publik terkait Pemilihan Presiden Indonesia 2024. Dataset yang digunakan bersumber dari platform media sosial Twitter, yang didistribusikan secara dinamis ke dalam lima lipatan (folds), merepresentasikan proporsi 80% data latih dan 20% data uji pada setiap iterasi komputasinya. Hasil pengujian menunjukkan bahwa algoritma SVM dengan fungsi kernel Gaussian menghasilkan performa paling optimal, mencapai rata-rata akurasi sebesar 80,49% dengan tingkat standar deviasi yang sangat minim (±0,0213). Secara lebih spesifik, kinerja puncak model tercatat pada iterasi Fold 3 dengan akurasi sebesar 83,00%, sedangkan penurunan performa terendah terjadi pada Fold 5 dengan akurasi 77,69%. Temuan ini membuktikan bahwa algoritma SVM tidak hanya memiliki ketahanan terhadap bias pengacakan data, tetapi juga menunjukkan tingkat ketangguhan (robustness) yang tinggi dalam memproses derau (noise) dan variasi struktur teks tidak baku pada data media sosial. Model klasifikasi yang dihasilkan sangat relevan untuk diimplementasikan sebagai sistem cerdas pemantauan dinamika sentimen politik bagi lembaga penelitian dan analis kebijakan. Untuk penelitian selanjutnya, disarankan menggunakan korpus data empiris berskala lebih besar dari berbagai platform media sosial, serta mengintegrasikan model prediktif ini ke dalam antarmuka aplikasi yang interaktif.]]>
