Analisis Sentimen Ulasan Aplikasi TikTok di Google Playstore Menggunakan Algoritma Naive Bayes

Abstract

Aplikasi mobile seperti TikTok telah menjadi bagian penting dari aktivitas sehari-hari sehingga perlu dipahami perspektif pengguna melalui ulasan untuk meningkatkan kualitas aplikasi. Penelitian ini menganalisis sentimen ulasan pengguna TikTok di Google Playstore, mengevaluasi performa algoritma klasifikasi, serta mengidentifikasi dinamika sentimen dan kata kunci utama sebagai dasar pengambilan keputusan strategis. Sebanyak 3.000 ulasan dikumpulkan dengan teknik web scraping dan diproses melalui tahapan pre-processing teks seperti casefolding, penghapusan tanda baca, normalisasi, stopword removal, tokenizing, dan stemming. Fitur teks diekstraksi menggunakan metode TF-IDF, sedangkan analisis sentimen dilakukan dengan algoritma Naive Bayes. Hasil klasifikasi menunjukkan 54,6% ulasan bersentimen positif, 44,1% negatif, dan 1,4% netral. Model Naive Bayes menghasilkan akurasi 83% dengan nilai precision, recall, dan F1-score yang baik pada setiap kelas sentimen. Analisis temporal dari April hingga Juni 2025 menunjukkan adanya fluktuasi sentimen, sementara identifikasi kosakata dominan pada ulasan negatif memberikan masukan langsung bagi pengembang untuk perbaikan fungsi aplikasi. Penelitian ini menyimpulkan bahwa analisis sentimen efektif sebagai dasar strategi peningkatan kualitas aplikasi secara berkelanjutan.