PENERAPAN KOMBINASI METODE NAÏVE BAYES DAN LEXICON-BASED DENGAN OPTIMASI TF–IDF UNTUK KLASIFIKASI SENTIMEN TERHADAP FILM S-LINE PADA PLATFORM TIKTOK

Zaki Taqiuddin; Ade Irma Purnamasari; Denni Pratama; Edi Wahyudin

Authors

Zaki Taqiuddin STMIK IKMI Cirebon, Indonesia
Ade Irma Purnamasari STMIK IKMI Cirebon, Indonesia
Denni Pratama STMIK IKMI Cirebon, Indonesia
Edi Wahyudin STMIK IKMI Cirebon, Indonesia

Keywords:

Analisis Sentimen, Naïve Bayes, TF–IDF, Lexicon-Based, TikTok

Abstract

Penelitian ini dilatarbelakangi oleh tingginya interaksi pengguna TikTok yang menghasilkan opini beragam terhadap film S-Line, sehingga diperlukan analisis sentimen untuk memahami persepsi publik secara lebih akurat. Kajian pustaka menunjukkan bahwa metode Naïve Bayes, pendekatan Lexicon-Based, dan optimasi TF–IDF merupakan teknik yang banyak digunakan dalam klasifikasi teks, dan kombinasi ketiganya berpotensi meningkatkan performa model. Penelitian ini menggunakan 2.851 komentar TikTok yang diperoleh melalui teknik scraping, kemudian melalui tahapan preprocessing, ekstraksi fitur menggunakan TF–IDF, penambahan skor leksikon, serta penyeimbangan data bila diperlukan. Model Naïve Bayes diuji dalam beberapa skenario untuk membandingkan performa metode tunggal dan metode kombinasi. Hasil penelitian menunjukkan bahwa integrasi TF–IDF dengan Lexicon-Based memberikan representasi fitur yang lebih informatif dan meningkatkan akurasi model dibandingkan penggunaan metode tunggal. Analisis metrik evaluasi mengindikasikan bahwa kombinasi metode mampu menangkap nuansa sentimen secara lebih baik pada komentar berbahasa informal khas TikTok. Secara keseluruhan, penelitian ini menyimpulkan bahwa pendekatan hybrid Naïve Bayes–TF–IDF–Lexicon merupakan strategi yang efektif dalam klasifikasi sentimen pada data media sosial yang bersifat dinamis dan tidak terstruktur.

References

S. Bhoyar, S. Giradkar, S. Burghate, and S. Shende, “Movie Sentiment Review Analysis,” International Scientific Journal of Engineering and Management, vol. 02, no. 04, 2023, doi: 10.55041/isjem00251.

I. Apryani, A. Fauzi, D. S. Kusumaningrum, and H. H. Handayani, “Analisis Sentimen Performa Timnas Sepak Bola Indonesia pada Kolom Komentar Aplikasi TikTok Menggunakan Algoritma Machine Learning,” Jurnal Accounting Information System (AIMS), vol. 8, no. 1, pp. 76–89, 2025, doi: 10.32627/aims.v8i1.1160.

I. A. H. Hidayah, R. Kusumawati, Z. Abidin, and M. Imamuddin, “Analysis of Public Sentiment Towards The TikTok Application Using The Naive Bayes Algorithm and Support Vector Machine,” Journal of Computer Networks, Architecture and High Performance Computing, vol. 6, no. 2, pp. 881–891, 2024, doi: 10.47709/cnahpc.v6i2.3990.

Pius Deski Manalu, Mutiara Simanjuntak, and Chairil Umri, “Implementasi Algoritma Klasifikasi untuk Analisis Sentimen Media Sosial Tiktok Tahun 2025,” Jurnal Teknik Informatika dan Teknologi Informasi, vol. 5, no. 1, pp. 488–504, 2025, doi: 10.55606/jutiti.v5i2.5644.

M. Z. F. Rizky, Y. Sibaroni, and S. S. Prasetiyowati, “Sentiment Analysis on TikTok App using Long Short-Term Memory (LSTM) with Stochastic Gradient Descent (SGD) Optimization,” Jurnal Media Informatika Budidarma, vol. 8, no. 3, p. 1292, 2024, doi: 10.30865/mib.v8i3.7699.

A. Bello, S. C. Ng, and M. F. Leung, “A BERT Framework to Sentiment Analysis of Tweets,” Sensors, vol. 23, no. 1, 2023, doi: 10.3390/s23010506.

S. Chirgaiya, D. Sukheja, N. Shrivastava, and R. Rawat, “Analysis of sentiment based movie reviews using machine learning techniques,” Journal of Intelligent and Fuzzy Systems, vol. 41, no. 5, pp. 5449–5456, 2021, doi: 10.3233/JIFS-189866.

R. A. Putranto, M. D. Purbolaksono, and W. Astuti, “Sentiment Analysis of Practo Application Reviews Using Naïve Bayes and TF-IDF Methods,” Jurnal Media Informatika Budidarma, vol. 7, no. 3, p. 1070, 2023, doi: 10.30865/mib.v7i3.6311.

P. A. Sumitro, Rasiban, D. I. Mulyana, and W. Saputro, “Analisis Sentimen Terhadap Vaksin Covid-19 di Indonesia pada Twitter Menggunakan Metode Lexicon Based,” J-ICOM - Jurnal Informatika dan Teknologi Komputer, vol. 2, no. 2, pp. 50–56, 2021, doi: 10.33059/j-icom.v2i2.4009.

A. R. Fachrur, “Sentiment Analysis of Hotel Reviews in Anyer Beach Tourism Area: A Lexicon-Based Text Mining Approach,” JELAJAH: Journal of Tourism and Hospitality, vol. 5, no. 2, 2024, doi: 10.33830/jelajah.v5i2.10264.

W. A. Akbari, T. Tukino, B. Huda, and M. Muslih, “Sentiment Analysis of Twitter User Opinions Related to Metaverse Technology Using Lexicon Based Method,” Sinkron, vol. 8, no. 1, pp. 195–201, 2023, doi: 10.33395/sinkron.v8i1.11992.

C. Villa-Ruiz, B. Kassamali, D. R. Mazori, M. Min, G. Cobos, and A. LaChance, “Overview of TikTok’s most viewed dermatologic content and assessment of its reliability,” Journal of the American Academy of Dermatology, vol. 85, no. 1, pp. 273–274, 2021, doi: 10.1016/j.jaad.2020.12.028.

L. J. Wanberg and D. R. Pearson, “Evaluating the Disease-Related Experiences of TikTok Users With Lupus Erythematosus: Qualitative and Content Analysis,” JMIR Infodemiology, vol. 4, no. 1, 2024, doi: 10.2196/51211.

K. Sallaku, D. De Fano, V. S. Ha, and A. Russo, “Breakdown of the co-creation process on social media: developing the value co-washing framework and stakeholders dynamics,” Journal of Asia Business Studies, vol. 19, no. 1, pp. 23–53, 2025, doi: 10.1108/JABS-02-2024-0110.

S. Tabinda Kokab, S. Asghar, and S. Naz, “Transformer-based deep learning models for the sentiment analysis of social media data,” Array, vol. 14, 2022, doi: 10.1016/j.array.2022.100157.