Analisis Sentimen Naïve Bayes dengan TF-IDF dan 10-Fold pada Ulasan Aplikasi X

Abstract

Penelitian ini bertujuan untuk mengidentifikasi dan mengklasifikasikan sentimen pada ulasan pengguna aplikasi X (Twitter) ke dalam kategori positif dan negatif secara otomatis untuk memperoleh gambaran objektif mengenai persepsi pengguna. Kebaruan penelitian terletak pada penerapan rangkaian preprocessing teks secara lengkap berbasis TF-IDF yang dikombinasikan dengan evaluasi model menggunakan teknik 10-fold cross-validation pada dataset berskala besar berjumlah 5.000 ulasan dari Google Play Store, sehingga menghasilkan model yang lebih akurat dan stabil dibanding pendekatan terdahulu. Metode penelitian mencakup tahapan text preprocessing (case folding, stopword removal, stemming, tokenizing, normalisasi karakter dan pembersihan simbol), transformasi TF-IDF untuk representasi numerik, dan klasifikasi menggunakan algoritma Naïve Bayes serta Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa model SVM memberikan performa tertinggi dengan akurasi rata-rata 90,02%, presisi 89,97%, recall 89,23%, dan F1-score 89,53%, melampaui Naïve Bayes yang memperoleh akurasi 87,14%, presisi 88,13%, recall 85,29%, dan F1-score 86,19%. Visualisasi wordcloud mengonfirmasi perbedaan kosakata dominan antara sentimen positif dan negatif. Temuan ini menegaskan bahwa SVM lebih unggul untuk klasifikasi sentimen berbasis teks pada ulasan aplikasi. Implikasi penelitian menunjukkan bahwa hasil analisis sentimen dapat menjadi sumber informasi berbasis data bagi pengembang dalam memetakan masalah dominan, meningkatkan kualitas layanan, dan memaksimalkan pengalaman pengguna secara berkelanjutan.