<![CDATA[Kasus dugaan korupsi PT Pertamina (Persero) memicu respons luas masyarakat di media sosial yang menghasilkan data opini dalam jumlah besar dan bersifat tidak terstruktur. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap kasus tersebut menggunakan pendekatan klasifikasi teks berbasis pembelajaran mesin. Data dikumpulkan dari Platform X (Twitter) berdasarkan kata kunci terkait korupsi Pertamina dan diproses melalui tahapan preprocessing yang meliputi pembersihan teks, normalisasi, penghapusan stopword, dan stemming. Pelabelan sentimen dilakukan secara otomatis menggunakan model Indonesian RoBERTa Base Sentiment Classifier untuk menghasilkan tiga kategori sentimen, yaitu positif, netral, dan negatif. Representasi fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), sedangkan proses klasifikasi dilakukan dengan algoritma Naïve Bayes. Untuk mengatasi ketidakseimbangan distribusi kelas, diterapkan metode Synthetic Minority Over-sampling Technique (SMOTE) pada data latih. Evaluasi model dilakukan menggunakan 5-Fold Cross Validation dan split validation dengan metrik akurasi, precision, recall, F1-score, serta analisis ROC-AUC. Hasil penelitian menunjukkan bahwa model awal tanpa penyeimbangan menghasilkan rata-rata akurasi sebesar 45,1%, sedangkan penerapan SMOTE meningkatkan akurasi menjadi 61% pada pengujian split validation. Peningkatan performa terutama terlihat pada kelas sentimen positif yang sebelumnya memiliki tingkat recall rendah. Temuan ini menunjukkan bahwa penanganan ketidakseimbangan data berperan penting dalam meningkatkan kinerja klasifikasi sentimen pada data media sosial berbahasa Indonesia yang bertema isu sosial-politik.]]>
