Imbalance Data merupakan kondisi diantara kelas label memiliki ketidakseimbangan data antar kelas. Kondisi ini menyebabkan metode klasifikasi mengabaikan kelas yang memiliki jumlah sampel sedikit sehingga memberi performa kurang baik. Untuk menangani masalah imbalance Data maka diperlukan teknik oversampling, salah satu nya SMOTE. SMOTE bekerja dengan cara mereplikasi data sampel baru pada data kelas minoritas terhadap kelas mayoritas. Pada penelitian ini, data yang akan digunakan berupa data Twitter terhadap analisis sentimen kenaikan harga BBM dengan 17.266 data. Metode klasifikasi yang digunakan adalah CNN dan SVM karena memiliki performa yang akurat dalam mengklasifikasi data teks. Dalam penelitian ini digunakan K-fold cross validation untuk mem validasi data dan Confusion Matrix sebagai evaluasi perhitungan untuk memebrikan informasi model secara detail. Hasil Penelitian ini adalah dengan SMOTE sebesar Accuracy 78.54% , precision 79.09%, recall 78.80%, dan F1-score 78.94%. dibandingkan tanpa SMOTE Accuracy 77.65% , precision 74.14%, recall 80.97%, dan F1-score 77.85% pada model SVM. Sedangkan model CNN dengan SMOTE accuracy 94.03% , precision 93.14%, recall 93.63%, dan F1-score 93.85%. dibandingkan tanpa SMOTE accuracy 93.88% , precision 93.59%, recall 94.08%, dan F1-score 93.84%.Maka disimpulkan SMOTE memberi pengaruh baik pada nilai accuracy, precision, dan F1-score. Namun mengalami penurunan pada hasil recall.
Kata kunci : Imbalance Data, Analisis Sentimen, SVM, CNN, SMOTE