<![CDATA[Analisis sentimen pada media sosial umumnya memanfaatkan pelabelan otomatis berbasis lexicon, namun pendekatan tersebut masih memiliki keterbatasan dalam memahami konteks opini yang mengandung sarkasme, bahasa informal, code-mixing, dan istilah domain spesifik. Penelitian ini mengusulkan pendekatan pelabelan semi-otomatis yang mengombinasikan Indonesia Sentiment Lexicon (InSet) dan Target-Oriented pada analisis sentimen isu vasektomi di media sosial X (Twitter). Dataset terdiri atas 3.024 opini, dengan 354 data dianotasi secara manual sebagai ground truth dan 2.670 data lainnya dilabeli secara otomatis menggunakan InSet. Selanjutnya dilakukan text preprocessing, ekstraksi fitur TF-IDF, penyeimbangan kelas menggunakan SMOTE, serta klasifikasi menggunakan Support Vector Machine (SVM) dengan kernel Linear, RBF, Polynomial, dan Sigmoid pada tiga skenario pembagian data. Hasil pengujian menunjukkan bahwa kernel Linear pada skenario 70:30 memberikan performa terbaik dengan Balanced Accuracy 74,09%, Macro Average Precision 73,32%, Macro Average Recall 74,09%, dan Macro Average F1-Score 73,64%. Hasil penelitian menunjukkan bahwa pendekatan pelabelan semi-otomatis mampu menghasilkan dataset berlabel yang lebih efektif untuk mendukung klasifikasi sentimen pada isu vasektomi di media sosial X.]]>
Copyrights © 2026
