Keputusan tidak untuk memiliki anak, yang dikenal sebagai child-free, semakin relevan dalam masyarakat modern. Support Vector Machines (SVM) yaitu algoritma yang terawasi digunakan dalam menganalisis keputusan seperti ini. Namun, SVM dapat menghadapi tantangan ketika berurusan dengan data yang tidak seimbang, yang dapat mengakibatkan kinerja yang buruk dalam mengklasifikasikan kelas minoritas. Untuk mengatasi masalah ini, teknik oversampling dapat diterapkan. Studi ini bertujuan untuk membandingkan penerapan SVM dengan oversampling untuk meningkatkan akurasi analisis sentimen pada konsep child-free. Penelitian ini melibatkan langkah-langkah seperti pra-pemrosesan data, visualisasi data, pembobotan kata, pembagian data, oversampling menggunakan SMOTE, pemodelan klasifikasi menggunakan SVM, dan evaluasi model Hasil penelitian menunjukkan bahwa SVM menggunakan pembobotan kata TF-IDF mencapai yang lebih akurat dibandingkan dengan BoW dandapat disimpulkan bahwa SVM dengan pembobotan kata TF-IDF direkomendasikan untuk menganalisis proses pengambilan keputusan individu child-free
SEMASTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer; Vol. 2 No. 1 (2023): Prosiding SEMASTER: Seminar Nasional Teknologi Informasi & Ilmu Komputer; 19-27
Penerbit: Fakultas Ilmu Komputer