Klasifikasi emosi pada tweet berbahasa Indonesia sulit dilakukan karena teks media sosial sering memakai bahasa tidak baku. Penelitian ini membandingkan Support Vector Machine dan K-Nearest Neighbor melalui delapan konfigurasi yang mengombinasikan term frequency-inverse document frequency atau bigram, synthetic minority oversampling, dan penyetelan grid search. Eksperimen menggunakan 4.403 tweet berlabel manual dalam lima kelas emosi, dengan 90% data latih dan 10% data uji. Teks menjalani case folding, cleaning, dan normalisasi. Kinerja dievaluasi melalui validasi silang sepuluh lipatan dan confusion matrix. Support Vector Machine dengan term frequency-inverse document frequency, oversampling, dan penyetelan menghasilkan akurasi terbaik sebesar 76,04% dan F1-score 76,19%. K-Nearest Neighbor mencapai akurasi 54,08% dan F1-score 48,61%. Term frequency-inverse document frequency secara konsisten mengungguli bigram, sedangkan pengaruh oversampling berbeda menurut algoritma.
Copyrights © 2026