Analisis Sentimen Ulasan Pengguna Tiktok Menggunakan Ekstraksi Fitur Tf-Idf Dan Naive Bayes

Abstrak

Penelitian ini mengklasifikasikan sentimen ulasan pengguna TikTok di Google Play Store menggunakan kombinasi TF-IDF dan algoritma Naive Bayes melalui Orange Data Mining versi 3.38.1. Dataset terdiri dari 100.000 ulasan yang dikumpulkan antara Agustus–Desember 2025, dengan tiga kelas sentimen: Positif (rating 4–5), Netral (rating 3), dan Negatif (rating 1–2). Untuk mengatasi ketidakseimbangan kelas, diterapkan balanced sampling dengan 3.334 sampel per kelas, menghasilkan total 10.002 instance. Tahap prapemrosesan meliputi lowercasing, tokenisasi kata, dan penghapusan stopword Bahasa Indonesia, dilanjutkan dengan representasi Bag-of-Words yang diberi bobot sublinear TF. Evaluasi model menggunakan 10-fold stratified cross-validation menghasilkan akurasi 0,530, AUC 0,760, F1-score 0,509, presisi 0,537, recall 0,530, dan MCC 0,310. Analisis per kelas menunjukkan bahwa kelas Positif memiliki recall tertinggi (84,43%), sedangkan kelas Negatif memperoleh presisi tertinggi (58,53%). Kelas Netral terbukti paling sulit diklasifikasikan akibat ambiguitas semantik. Nilai AUC sebesar 0,760 menegaskan bahwa model memiliki kemampuan diskriminatif yang cukup baik meskipun akurasi keseluruhan tergolong moderat, mencerminkan tantangan inheren klasifikasi sentimen tiga kelas pada teks Bahasa Indonesia yang informal.