Klasifikasi Sentimen Masyarakat Terhadap Aplikasi Tiktok Menggunakan Algoritma Naive Bayes

Article Sidebar

PDF
Published: 02-09-2025
DOI: https://doi.org/10.65258/jutekom.v1.i3.13
Keywords:
Klasifikasi Sentimen

Main Article Content

Muhammad Nahdhudin
Mahasiswa
Nur Cahyo Hendro
UIN Walisongo Semarang
Maya Rini Handayani
UIN Walisongo Semarang
Khotibul Umam
UIN Walisongo Semarang

Abstract

Perkembangan pesat media telah menciptakan ruang digital baru bagi masyarakat untuk mengekspresikan opini, salah satunya melalui aplikasi TikTok. Aplikasi ini menjadi fenomena global dengan jutaan pengguna aktif, namun juga menuai pro dan kontra. Penelitian ini bertujuan untuk mengklasifikasikan sentimen masyarakat terhadap TikTok menggunakan algoritma Naive Bayes. Data yang digunakan  berupa 100.000 ulasan pengguna TikTok dari Google Play Store yang dikumpulkan melalui web scraping. Proses penelitian mencakup tahapan pra-pemrosesan teks, pelabelan sentimen berdasarkan rating, ekstraksi fitur menggunakan TF-IDF, dan klasifikasi menggunakan algoritma Multinominal Naive Bayes. Hasil evaluasi menunjukkan bahwa model memiliki akurasi sebesar 88,2% precision 89,1%, recall 87,4% dan F1-score 88,2%. Mayoritas ulasan pengguna bersentimen positif. Hasil ini menunjukkan bahwa Naive Bayes efektif dalam mengklasifikasi opini berbasis teks dalalam bahasa Indonesia. Penelitian ini dapat dijadikan acuan dalam memahami persepsi publik serta penerapan maching learning dalam analisis opini masyarakat.

Downloads

Download data is not yet available.

Article Details

Issue

Vol. 1 No. 3 (2025): Juli 2025

Section

Articles
Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

How to Cite

Klasifikasi Sentimen Masyarakat Terhadap Aplikasi Tiktok Menggunakan Algoritma Naive Bayes (M. Nahdhudin, N. C. H. Wibowo, M. R. Handayani, & K. Umam , Trans.). (2025). Jurnal Teknologi Informasi Dan Ilmu Komputer, 1(3), 107-112. https://doi.org/10.65258/jutekom.v1.i3.13

References

[1] A. Bahri, C. M. Damayanti, Y. Helena Sirait, and F. Alfarisy, “Aplikasi Tiktok Sebagai Media Pembelajaran Bahasa Inggris Di Indonesia,” J. Indones. Sos. Sains, vol. 3, no. 1, pp. 120–130, Jan. 2022, doi: 10.36418/jiss.v3i1.525.

[2] Friska Aditia Indriyani, Ahmad Fauzi, and Sutan Faisal, “Analisis sentimen aplikasi tiktok menggunakan algoritma naïve bayes dan support vector machine,” TEKNOSAINS J. Sains, Teknol. dan Inform., vol. 10, no. 2, pp. 176–184, Jul. 2023, doi: 10.37373/tekno.v10i2.419.

[3] L. Oktasari, Y. H. Chrisnanto, and R. Yuniarti, “TEXT MINING DALAM ANALISIS SENTIMEN ASURANSI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER,” Pros. Sains Nas. dan Teknol., vol. 1, no. 1, Sep. 2016, doi: 10.36499/psnst.v1i1.1506.

[4] A. Turmudi Zy, A. Nugroho, A. Rivaldi, and I. Afriantoro, “Analisis Sentimen Terhadap Pembobolan Data pada Twitter dengan Algoritma Naive Bayes,” J. Teknol. Inform. dan Komput., vol. 8, no. 2, pp. 202–213, Sep. 2022, doi: 10.37012/jtik.v8i2.1240.

[5] Muflih Ihza Rifatama, Mohammad Reza Faisal, Rudy Herteno, Irwan Budiman, and Muhammad Itqan Mazdadi, “OPTIMASI ALGORITMA K-NEAREST NEIGHBOR DENGAN SELEKSI FITUR MENGGUNAKAN XGBOOST,” J. Inform. dan Rekayasa Elektron., vol. 6, no. 1, pp. 64–72, Apr. 2023, doi: 10.36595/jire.v6i1.723.

[6] A. Purnamawati, M. N. Winarto, and M. Mailasari, “Analisis Sentimen Aplikasi TikTok menggunakan Metode BM25 dan Improved K-NN Fitur Chi-Square,” J. Komtika (Komputasi dan Inform., vol. 7, no. 1, pp. 97–105, May 2023, doi: 10.31603/komtika.v7i1.8938.

[7] I. R. Ainunnisa and S. Sulastri, “Analisis Sentimen Aplikasi Tiktok dengan Metode Support Vector Machine (SVM), Logistic Regression dan Naïve Bayes,” J. Teknol. Sist. Inf. dan Apl., vol. 6, no. 3, pp. 423–430, Jul. 2023, doi: 10.32493/jtsi.v6i3.31076.

[8] M. G. Pradana, A. C. Nurcahyo, and P. H. Saputro, “PENGARUH SENTIMEN DI SOSIAL MEDIA DENGAN HARGA SAHAM PERUSAHAAN,” Edutic - Sci. J. Informatics Educ., vol. 6, no. 2, May 2020, doi: 10.21107/edutic.v6i2.6992.

[9] N. F. Hilmi and F. Irwiensyah, “Analisis Sentimen Terhadap Aplikasi Tiktok Dari Ulasan Pada Google Playstore Menggunakan Metode Naïve Bayes,” SMATIKA J., vol. 14, no. 01, pp. 146–156, Jul. 2024, doi: 10.32664/smatika.v14i01.1210.

[10] Runimeirati, Abdul Muis, and Figur Muhammad, “Pelatihan Text Mining Menggunakan Bahasa Pemrograman Python,” Abdimas Langkanae, vol. 3, no. 1, pp. 36–46, Jan. 2023, doi: 10.53769/abdimas.3.1.2023.83.

[11] A. Hermawan, I. Jowensen, J. Junaedi, and Edy, “Implementasi Text-Mining untuk Analisis Sentimen pada Twitter dengan Algoritma Support Vector Machine,” JST (Jurnal Sains dan Teknol., vol. 12, no. 1, pp. 129–137, Apr. 2023, doi: 10.23887/jstundiksha.v12i1.52358.

[12] A. R. Harungguan, H. Napitupulu, and F. Firdaniza, “Analisis Sentimen dengan Metode Klasifikasi Naïve Bayes dan Seleksi Fitur Chi-Square,” In Search, vol. 22, no. 1, pp. 115–122, Jul. 2023, doi: 10.37278/insearch.v22i1.677.

[13] P. H. Nadia, Siti Sri Wahyuni, and Anggraini Puspita Sari, “Penerapan Naive Bayes Classifier untuk Analisis sentimen Ulasan Pelanggan pada Frenz Accessories Handphone,” J. Mhs. Tek. Inform., vol. 3, no. 2, pp. 19–29, Oct. 2024, doi: 10.35473/jamastika.v3i2.3245.

[14] M. A. Rosid, A. S. Fitrani, I. R. I. Astutik, N. I. Mulloh, and H. A. Gozali, “Improving Text Preprocessing For Student Complaint Document Classification Using Sastrawi,” IOP Conf. Ser. Mater. Sci. Eng., vol. 874, no. 1, p. 012017, Jun. 2020, doi: 10.1088/1757-899X/874/1/012017.

[15] B. Hakim, “Analisa Sentimen Data Text Preprocessing Pada Data Mining Dengan Menggunakan Machine Learning,” JBASE - J. Bus. Audit Inf. Syst., vol. 4, no. 2, Aug. 2021, doi: 10.30813/jbase.v4i2.3000.