<![CDATA[Ulasan pengguna di Google Play Store merupakan sumber data berharga untuk mengevaluasi kualitas permainan, namun jumlah ulasan yang besar menyulitkan proses analisis sentimen secara manual. Neverness to Everness (NTE) merupakan game open-world RPG yang menarik perhatian komunitas pemain dengan ribuan ulasan di platform tersebut. Penelitian ini bertujuan menganalisis sentimen ulasan pengguna game NTE menggunakan algoritma Naive Bayes Classifier dengan ekstraksi fitur TF-IDF. Data mentah dikumpulkan sebanyak 4.200 ulasan berbahasa Indonesia dari Google Play Store, kemudian diperoleh 3.855 ulasan valid setelah rating 3 (dianggap memiliki sentimen ambigu). Data diberi label semi-otomatis berdasarkan rating bintang (4–5 = positif, 1–2 = negatif). Preprocessing teks meliputi case folding, cleaning, normalisasi slang, stopword removal, stemming, dan tokenisasi menggunakan pustaka Sastrawi. Ekstraksi fitur dilakukan dengan TF-IDF yang menghasilkan 4.921 fitur unik. Mengingat distribusi sentimen yang sangat tidak seimbang (77,7% positif dan 22,3% negatif), teknik SMOTE (Synthetic Minority Over-sampling Technique) diterapkan pada 80% data training. Hasil pengujian pada 20% data testing menunjukkan bahwa algoritma Multinomial Naive Bayes mencapai tingkat akurasi 81,58% dengan recall kelas negatif mencapai 0,77. Berdasarkan confusion matrix, model berhasil memprediksi 133 ulasan negatif dan 496 ulasan positif dengan benar. Nilai precision kelas positif yang mencapai 0,93 menunjukkan bahwa prediksi sentimen positif oleh model memiliki tingkat kepercayaan yang tinggi. Temuan analisis aspek mengungkap bahwa pengguna sangat mengapresiasi gameplay dan grafis permainan, namun menyoroti perlunya optimalisasi teknis terkait performa (lag), bug, dan masalah server. Hasil penelitian ini dapat dimanfaatkan oleh pengembang sebagai dasar evaluasi untuk meningkatkan player experience.]]>
