<![CDATA[The developments regarding the revision of the Indonesian National Armed Forces Law (RUU TNI) have sparked various reactions from the public, most of which have been expressed through social media platforms. This research aims to evaluate public opinion on the TNI Bill issue by utilizing machine learning technology and the Support Vector Machine (SVM) algorithm. Data were collected from three social networks, namely YouTube, Instagram, and X (formerly known as Twitter), with a total of 4,530 data points. The stages of data processing include web scraping, data cleaning, text preprocessing, automatic labelling using textblob, word weighting through TF-IDF, and data balancing using the SMOTE method. The sentiment classification results reveal that the majority of public opinions are positive and neutral, with the highest model accuracy achieved at parameter C = 1, namely 94.60% for YouTube, 95.80% for Instagram, and 97.33% for X. These findings demonstrate the effectiveness of the SVM approach in categorizing public opinions generated from social media, and imply that social media serves as an important source for understanding public views on national policy issues.Keywords: Machine Learning; Support Vector Machine; SMOTE; Text Mining; TF IDF AbstrakPerkembangan mengenai revisi Undang-Undang Tentara Nasional Indonesia (RUU TNI) telah menimbulkan berbagai reaksi dari masyarakat, yang sebagian besar disampaikan melalui platform media sosial. Penelitian ini bertujuan untuk mengevaluasi pandangan publik terhadap isu RUU TNI dengan memanfaatkan teknologi pembelajaran mesin dan algoritma Support Vector Machine (SVM). Data dikumpulkan dari tiga jejaring sosial, yaitu YouTube, Instagram, dan X (yang sebelumnya dikenal sebagai Twitter), dengan total sebanyak 4.530 data. Tahapan pengolahan data mencakup web scraping, pembersihan data, pra-pemrosesan teks, pelabelan otomatis menggunakan TextBlob, pemberian bobot kata melalui TF-IDF, serta penyeimbangan data dengan metode SMOTE. Hasil klasifikasi sentimen mengungkapkan bahwa sebagian besar pendapat masyarakat bersifat positif dan netral, dengan akurasi tertinggi dari model dicapai pada parameter C = 1, yaitu 94,60% untuk YouTube, 95,80% untuk Instagram, dan 97,33% untuk X. Temuan ini menunjukkan efektivitas pendekatan SVM dalam mengkategorikan pendapat publik yang dihasilkan dari media sosial, serta menyiratkan bahwa media sosial berfungsi sebagai sumber penting untuk memahami pandangan masyarakat terhadap masalah kebijakan nasional.Kata kunci: Machine Learning; Support Vector Machine; SMOTE; Text Mining; TF IDF]]>
