Nama : Dhanika Jeihan Aguinta Program Studi : Magister Teknologi Informasi Judul : Analisis Orientasi Sentimen dan Esktraksi Aspek dalam Aktivitas Pemantauan Media Sosial pada Redcomm Indonesia Pembimbing : Prof. Dr. Indra Budi, S.Kom., M.Kom Redcomm Indonesia merupakan salah satu agency pemasaran digital yang berfokus melakukan proses pemasaran melalui berbagai platform media sosial untuk perusahaan-perusahaan dari berbagai industri. Salah satu layanan yang disediakan oleh Redcomm adalah layanan data & insight analysis, termasuk untuk melakukan pemantauan percakapan media sosial dari brand beserta kompetitornya dengan menganalisis sentimen dan topik untuk memenuhi permintaan klien. Salah satu brand pada industri smartphone yang menjadi klien dari Redcomm memiliki produk yang banyak, dimana masing-masing produk dan kompetitornya dilakukan pemantauan secara bersamaan. Dengan banyaknya percakapan yang dihasilkan oleh jumlah produk yang banyak, proses pengerjaan untuk analisis menjadi terbatas dan terlalu menghabiskan banyak waktu karena masih menggunakan proses pelabelan secara manual. Oleh karena itu, sistem otomatis diusulkan untuk Redcomm dengan melakukan analisis sentimen berbasis aspek yang bertujuan untuk memudahkan dan mempersingkat proses pengerjaan pemantauan. Data yang digunakan adalah data mengenai smartphone pada Twitter yang berjumlah 11.641 tweet dalam periode akhir tahun 2022. Data yang terkumpul memiliki kondisi imbalance class, sehingga metode penanganan imbalance class SMOTE digunakan. Tahap pra-pemrosesan; ekstraksi fitur dengan memanfaatkan leksikon, POS tagging dan TF-IDF; dilakukan sebelum data dimodelkan dengan algoritma pembelajaran mesin. Penelitian ini mendapatkan hasil bahwa Support Vector Machine (SVM) dengan SMOTE memiliki hasil evaluasi yang lebih tinggi dibandingkan dengan Naïve Bayes, baik untuk klasifikasi sentimen dan juga aspek. Hasil evaluasi SVM pada klasifikasi sentimen adalah sebesar 0,92 untuk setiap metrik akurasi, precision, recall, dan f1-score. Sedangkan untuk klasifikasi aspek, SVM mendapatkan hasil evaluasi sebesar 0,79 untuk akurasi, precision, dan recall, serta 0,77 untuk f1-score. Masalah imbalance class pada data memengaruhi hasil akhir klasifikasi, terutama untuk klasifikasi aspek. Kata kunci: analisis sentimen berbasis aspek, klasifikasi tweet, pembelajaran mesin