Analisis Sentimen Penutupan Tiktokshop di Indonesia Menggunakan Algoritma Pengklasifikasi Naive Bayes

Abstract

Sentiment Analysis (SA), or opinion mining, is a task in natural language processing (NLP) that entails identifying the sentiment conveyed in a text, such as positive, negative, or neutral. Multiple methodologies and strategies exist for conducting sentiment analysis, from conventional procedures to more sophisticated machine-learning techniques. This study applies Sentiment Analysis (SA) techniques with NLP approaches to gauge sentiments related to TikTokShop’s closure in Indonesia. The study uses Twitter data to analyze sentiments using different algorithms such as the Multinomial Naive Bayes, the Bernoulli Naive Bayes, and the Complement Naive Bayes. Moreover, it utilizes a Count Vectorizer and TF-IDF Vectorizer to enhance sentiment analysis. Furthermore, using TextBlob with the CountVectorizer approach is the most accurate at 86.60% in sentiment classification. The analysis sheds light on sentiment analysis techniques applicable to TikTokShop closure as well as which algorithm and vectorization approach can be used to measure sentiments derived from the Twitter data.

Analisis Sentimen (SA), atau penambangan opini, adalah tugas dalam pemrosesan bahasa alami (NLP) yang melibatkan identifikasi sentimen yang terdapat dalam sebuah teks, seperti positif, negatif, atau netral. Terdapat berbagai metodologi dan strategi untuk melakukan analisis sentimen, mulai dari prosedur konvensional hingga teknik machine learning yang lebih canggih. Penelitian ini menerapkan teknik Analisis Sentimen (SA) dengan pendekatan NLP untuk mengukur sentimen terkait penutupan TikTokShop di Indonesia. Penelitian menggunakan data Twitter untuk menganalisis sentimen dengan berbagai algoritma seperti Multinomial Naive Bayes, Bernoulli Naive Bayes, dan Complement Naive Bayes. Selain itu, penelitian ini menggunakan Count Vectorizer dan TF-IDF Vectorizer untuk meningkatkan analisis sentimen. Lebih lanjut, penggunaan TextBlob dengan pendekatan CountVectorizer memberikan akurasi tertinggi, mencapai 86,60% dalam klasifikasi sentimen. Analisis ini memberikan pemahaman mengenai teknik analisis sentimen yang dapat diterapkan pada penutupan TikTokShop, serta algoritma dan pendekatan vektorisasi mana yang dapat digunakan untuk mengukur sentimen yang berasal dari data Twitter.