Article Per Year (5 Year)
p-Index From 2021 - 2026
1.756
P-Index
This Author published in this journals
All Journal International Journal of Advances in Applied Sciences Atom Indonesia Journal Jurnal Kesehatan Jurnal Ipteks Terapan Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Abdi: Jurnal Pengabdian dan Pemberdayaan Masyarakat Sainstek : Jurnal Sains dan Teknologi pendidikan, science, teknologi, dan ekonomi Komunita: Jurnal Pengabdian dan Pemberdayaan Masyarakat JOURNAL OF COMMUNITY SERVICE AND APPLICATION SCIENCE (JCSAS) SMART: Jurnal Pengabdian Kepada Masyarakat Journal of Mathematics, Computation and Statistics (JMATHCOS) JKM: Jurnal Kemitraan Masyarakat
Junios Junios
Institut Kesehatan Prima Nusantara Bukittinggi
Agriculture, Biological Sciences & Forestry Humanities Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Earth & Planetary Sciences Economics, Econometrics & Finance Education Environmental Science Health Professions Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mathematics Medicine & Pharmacology Neuroscience Physics Public Health Social Sciences Other

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 21 Documents
Search

 1   2   3 
Analisis Sentimen TikTok Shop pada Media Sosial Twitter Menggunakan Algoritma Naïve Bayes Kariman, Delsi; Mardiyah, Ainil; Junios, Junios; Sari, Lisma; Ananda, Muthia; Jasril, Jasril
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 14, No 3: Desember 2025
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v14i3.3096

Abstract

The progress of TikTok Shop as an e-commerce platform has generated various public responses, including both support and criticism.  Therefore, sentiment analysis is needed to determine user opinion.  The purpose of this study is to categorize Twitter users' sentiments about TikTok Shop into positive, negative, and neutral categories.  Data was collected through web scraping techniques, followed by pre-processing stages, namely case folding, tokenization, stopword removal, and stemming.  Next, features were extracted using Term Frequency-Inverse Document Frequency (TF-IDF).  The Naïve Bayes algorithm was applied to classify the sentiment in the processed tweets.  To perform the evaluation, a confusion matrix was used with accuracy, precision, recall, and F1-score metrics.  The evaluation results show that the model achieves high accuracy (0.9602). However, the model experiences problems in classifying minority classes, namely positive and negative classes, due to an unbalanced class distribution, with neutral classes dominating the dataset. These findings highlight the importance of addressing class imbalance to improve model performance in predicting positive and negative sentiment.Keywords: Sentiment Analysis; TikTok Shop; Social Media; Twitter; Naïve Bayes AbstrakKemajuan TikTok Shop sebagai platform e-commerce memunculkan berbagai tanggapan publik yang mencakup dukungan maupun kritik.  Oleh karena itu, untuk mengetahui opini pengguna diperlukan analisis sentimen.  Tujuan penelitian adalah untuk membagi sentimen pengguna Twitter tentang TikTok Shop menjadi kategori positif, negatif, dan netral.  Data dikumpulkan melalui teknik web scraping kemudian diikuti tahap pre-pemrosesan, yaitu case folding, tokenisasi, stopword removal, dan stemming.  Selanjutnya fitur diekstraksi menggunakan Term Frequency-Inverse Document Frequency (TF-IDF).  Algoritma Naïve Bayes diterapkan untuk mengklasifikasikan sentimen pada tweet yang telah diproses.  Untuk melakukan evaluasi, confusion matrix digunakan dengan metrik akurasi, precision, recall, dan F1-score.  Hasil evaluasi menunjukkan bahwa model mencapai akurasi yang tinggi (0,9602).  Namun, model mengalami masalah dalam klasifikasi kelas minoritas, yaitu kelas positif dan negatif, yang disebabkan oleh distribusi kelas yang tidak seimbang, dengan kelas netral yang mendominasi dataset.  Temuan ini menunjukkan pentingnya menangani ketidakseimbangan kelas untuk meningkatkan kinerja model dalam memprediksi sentimen positif dan negatif. 
Co-Authors Ananda, Muthia Andika Sulistiawan Askina, Meutia Cecep Sobirin Cecep Sobirin, Cecep Dea Amelia Putri Delsi K Delsi K Desi Ratna Sari Dina Ediani Dona Kurnia Elfira Husna, Elfira Evi Susanti F. Haryanto F. Kurniati F. P. Krisna Fatdillah, Haezah Fauzi Ashra Freddy Haryanto Gusri Yanti Habibillah, Muhammad Hera Dwi Triani Iratna Dewi Jasril, Jasril Landra, Windra Agus MANIK, JOSUA TIMOTIUS Mardiyah, Ainil Margaretha, Angelica METRI, YURMA Nandie Hayati Okselia, Anisza Putri Salsabila, Kharisma RENI ELMIATI Resolinda Harly Rina Rina Rina Rina Rinawati Kasrin Rinawati Kasrin, Rinawati Rini Suryanti Rizkina, Arfezsa Ulfa Sari, Lisma Siti Mutia Kosasih Siti Mutia Kosasih, Siti Wella Aldianita Yanti, Gusri Yossi Fitrina Yuhendri Putra Yunere, Falerisiska