Kebijakan TAPERA yang diperkenalkan baru-baru ini menimbulkan berbagai reaksi dari masyarakat, terutama di media sosial seperti X. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap kebijakan tersebut dengan menggunakan algoritma Support Vector Machine (SVM). Data yang digunakan dalam penelitian ini diperoleh dari aplikasi X dengan mengumpulkan tweet terkait kebijakan TAPERA dalam periode tertentu. Proses analisis mencakup tahap preprocessing data seperti pembersihan, normalisasi, dan tokenisasi, yang kemudian dilanjutkan dengan penerapan algoritma SVM untuk klasifikasi sentimen menjadi tiga kategori: positif, negatif, dan netral. Data yang diperoleh menunjukkan distribusi yang beragam, dengan 628 tweet berisi sentimen positif, 404 tweet negatif, dan 467 tweet netral. Untuk meningkatkan akurasi klasifikasi, data tersebut dibagi menjadi tiga bagian: 80% untuk pelatihan, 10% untuk pengujian, dan 10% untuk validasi. Hasil menunjukkan bahwa metode SVM dengan kernel Radial Basis Function (RBF) memiliki tingkat akurasi sebesar 66%, sementara metode SVM RBF dengan SMOTE mencapai tingkat akurasi sebesar 67%, dan SVM RBF RandomOverSampling mencapai tingkat akurasi tertinggi sebesar 70%. Hal ini mengindikasikan bahwa metode SVM mampu mengklasifikasikan sentimen masyarakat dengan performa yang cukup baik. Analisis ini menemukan bahwa mayoritas sentimen masyarakat terhadap kebijakan TAPERA bersifat positif, dengan sentimen netral dan negatif juga terdeteksi.

The recently introduced TAPERA policy has caused various reactions from the public, especially on social media such as X. This study aims to analyze public sentiment towards the policy using the Support Vector Machine (SVM) algorithm. The data used in this study were obtained from the X application by collecting tweets related to the TAPERA policy in a certain period. The analysis process includes data preprocessing stages such as cleaning, normalization, and tokenization, which are then continued with the application of the SVM algorithm to classify sentiment into three categories: positive, negative, and neutral. The data obtained showed a diverse distribution, with 628 tweets containing positive sentiment, 404 negative tweets, and 467 neutral tweets. To improve classification accuracy, the data was divided into three parts: 80% for training, 10% for testing, and 10% for validation. The results show that the SVM method with the Radial Basis Function (RBF) kernel has an accuracy rate of 66%, while the SVM RBF method with SMOTE achieved an accuracy rate of 67%, and SVM RBF RandomOverSampling achieved the highest accuracy rate of 70%. This indicates that the SVM method is able to classify public sentiment with fairly good performance. This analysis found that the majority of public sentiment towards the TAPERA policy was positive, with neutral and negative sentiments also detected.