Klasifikasi Opini Masyarakat Terhadap Naturalisasi Pemain Sepak Bola Menggunakan KNN dan SMOTE

Abstract

Penelitian ini menganalisis sentimen masyarakat terhadap naturalisasi pemain sepak bola menggunakan metode K-Nearest Neighbor (KNN) dan Synthetic Minority Oversampling Technique (SMOTE). KNN digunakan untuk klasifikasi sentimen, sedangkan SMOTE menangani ketidakseimbangan kelas dalam dataset. Metodologi mencakup pengumpulan data, pelabelan, pembersihan, preprocessing, klasifikasi, dan evaluasi model dengan Google Colab dan Python. Hasil menunjukkan bahwa tanpa SMOTE, performa model lebih baik dengan presisi, recall, F1 score, dan akurasi tinggi. Sebaliknya, penggunaan SMOTE menurunkan performa, terutama dalam presisi dan F1 score. Model "Manhattan Neighbor 7" dan "Manhattan Neighbor 3" tanpa SMOTE menunjukkan hasil hampir sempurna, sementara SMOTE menurunkan beberapa metrik evaluasi secara signifikan. Selain itu, analisis opini masyarakat di YouTube menunjukkan kecenderungan sentimen negatif terhadap podcast tentang naturalisasi pemain sepak bola yang dipandu oleh Bung Towel dan Anjas Asmara, yang mencerminkan persepsi publik yang kritis dan skeptis terhadap topik tersebut. Penelitian ini memberikan wawasan penting tentang sentimen masyarakat dan efektivitas metode klasifikasi dalam konteks isu olahraga nasional.