KOMPARASI SVM-LR BERBASIS INDOBERT DAN SMOTE-TOMEK PADA DETEKSI BUZZER

Dominasi aktivitas buzzer politik di TikTok mengancam orisinalitas aspirasi publik melalui manipulasi opini, yang diperburuk oleh ketimpangan distribusi data (imbalanced data) sehingga menyulitkan deteksi akurat. Penelitian ini bertujuan mengomparasikan performa Support Vector Machine (SVM) dan Logistic Regression (LR) berbasis fitur IndoBERT yang dioptimasi dengan hybrid resampling SMOTE-Tomek untuk menangani ketidakseimbangan kelas ekstrem. Studi kasus dilakukan pada 1.502 komentar terkait isu penculikan mahasiswa. Hasil pengujian menunjukkan integrasi IndoBERT dan SMOTE-Tomek efektif menghasilkan Area Under Curve (AUC) >0,90 pada kedua model. Meskipun SVM unggul marginal dalam sensitivitas (AUC 0,9193), Logistic Regression terbukti lebih superior dalam menjaga validitas pengguna organik dengan spesifisitas 79,2% dan F1-Score kelas minoritas 0,72. Penelitian ini merekomendasikan LR sebagai model terbaik karena karakteristik probabilistiknya lebih adaptif meminimalisir False Positive, sehingga lebih akurat dalam memisahkan narasi organik dari propaganda buzzer.