Analisis Sentimen Komentar Pengguna Tiktok terhadap Konten Fashion Brand Clotiva dengan Random Forest, Logistic Regression, dan Support Vector Machine

Abstract

Analisis sentimen terhadap komentar pengguna di media sosial merupakan aspek penting dalam memahami persepsi publik dan efektivitas strategi pemasaran suatu brand. Penelitian ini mengusulkan pendekatan berbasis Machine Learning untuk mengklasifikasikan sentimen komentar pengguna TikTok terhadap brand fashion Clotiva ke dalam kategori positif, negatif, dan netral. Tiga model Machine Learning, yaitu Logistic Regression (LR), Support Vector Machine (SVM), dan Random Forest (RF), diuji kinerjanya melalui teknik Repeated Cross-Validation (5-fold x 6 Repeat) serta evaluasi metrik performa dan uji statistik Mann-Whitney U. Hasil eksperimen menunjukkan bahwa model Logistic Regression (LR) memiliki performa klasifikasi yang paling optimal dengan rata-rata akurasi tertinggi sebesar 83,07%. Uji statistik menunjukkan bahwa Logistic Regression (LR) memiliki keunggulan signifikan dibandingkan Random Forest (RF) dengan rata-rata akurasi 80,45% dan menunjukkan kemampuan klasifikasi yang setara dengan Support Vector Machine (SVM) yang memiliki nilai rata-rata akurasi 82,31%. Penelitian ini menyimpulkan bahwa penggunaan model Logistic Regression (LR) dan Support Vector Machine (SVM) memberikan stabilitas dan hasil yang lebih baik dalam menangani karakteristik dataset sentimen teks dibandingkan model berbasis pohon.