<![CDATA[Abstrak - Diskusi mengenai aset kripto di platform X mengalami peningkatan pesat, khususnya saat peristiwa Bitcoin Halving yang memicu beragam respon dari pengguna. Studi ini bertujuan untuk mengidentifikasi sentimen publik terkait Bitcoin Halving dengan metode analisis teks. Data dikumpulkan melalui API X dan diproses dengan tahapan pre-processing seperti pembersihan data, normalisasi, tokenisasi, penghilangan kata yang tidak penting, serta stemming agar teks lebih terstruktur dan siap untuk diklasifikasikan. Untuk mengatasi ketidakseimbangan distribusi kelas sentimen, digunakan teknik Synthetic Minority Over-Sampling Technique (SMOTE) untuk menambah data sintetis pada kelas minoritas. Model klasifikasi yang digunakan adalah Complement Naïve Bayes (CNB), varian Naïve Bayes yang sesuai untuk data teks berdimensi tinggi dengan ketidakseimbangan kelas. Evaluasi dilakukan dengan dua variasi rasio pembagian data latih dan uji, yakni 90:10 dan 80:20. Hasil menunjukkan akurasi 64% pada rasio 90:10 yang meningkat menjadi 66% pada rasio 80:20, menunjukkan bahwa proporsi data latih memengaruhi performa klasifikasi sentimen secara stabil. Penelitian ini memberikan gambaran awal terhadap persepsi publik pada Bitcoin Halving dan dapat menjadi dasar untuk penelitian lanjutan dalam bidang analisis sentimen aset kripto.Kata kunci : bitcoin halving; sentimen publik; complement naïve bayes; smote; x; Abstract - Discussions about crypto assets on platform X have been rapidly increasing, especially during the Bitcoin Halving event, which often triggers diverse reactions from users. This study aims to identify public sentiment regarding Bitcoin Halving through a text analysis approach. Data were collected via the X API and processed with several pre-processing steps such as data cleansing, normalization, tokenization, stop-word removal, and stemming to structure the text for classification. To address the imbalanced distribution of sentiment classes, the Synthetic Minority Over-Sampling Technique (SMOTE) was applied to generate synthetic samples for the minority class. The classification model employed is Complement Naïve Bayes (CNB), a variant of Naïve Bayes suited for high-dimensional text data with class imbalance. The model was evaluated using two different train-test split ratios, 90:10 and 80:20. Results showed an accuracy of 64% with the 90:10 split, which improved to 66% with the 80:20 split, indicating that the proportion of training data influences the stability of sentiment classification performance. This study provides an initial understanding of public perception towards Bitcoin Halving and serves as a basis for further research in crypto asset sentiment analysis.Keywords: bitcoin halving; public sentiment; complement naïve bayes; smote; X;]]>
