<![CDATA[Analisis sentimen terhadap Identitas Kependudukan Digital (IKD) menjadi penting untuk memahami persepsi masyarakat terkait upaya digitalisasi layanan publik di Indonesia. IKD diharapkan dapat meningkatkan efisiensi layanan, namun implementasinya menghadapi tantangan, seperti proses aktivasi offline dan kekhawatiran mengenai keamanan data. Penelitian ini bertujuan untuk membandingkan performa dua algoritma, Naïve Bayes dan Random Forest, dalam menganalisis sentimen dan mengklasifikasikan ulasan pengguna IKD. Proses penelitian dimulai dengan pengumpulan data ulasan dari Google Play Store, dilanjutkan dengan tahap pre-processing, pelabelan berbasis lexicon, pembagian data menjadi data latih dan uji, serta pembobotan TF-IDF. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki performa yang lebih unggul dibandingkan Naïve Bayes, dengan akurasi tertinggi 93%, sementara Naïve Bayes mencapai 89%. Random Forest juga menunjukkan performa lebih stabil dengan Precision 0,91, Recall 0,84, dan F1-Score 0,87 untuk kelas positif. Di sisi lain, Naïve Bayes mencatat Precision 0,78, Recall 0,80, dan F1-Score 0,79. Untuk kelas negatif, Random Forest lebih efektif dengan Precision 0,94, Recall 0,97, dan F1-Score 0,96, sedangkan Naïve Bayes memiliki Precision 0,93, Recall 0,92, dan F1-Score 0,93. Penelitian ini menyarankan bahwa performa kedua model dapat lebih ditingkatkan dengan eksplorasi metode pelabelan dan penggunaan algoritma ensemble. Selain itu, variasi pada tahap pre-processing, seperti penggunaan n-gram, dapat membantu meningkatkan akurasi analisis sentimen. Kontribusi penelitian ini adalah memberikan evaluasi komparatif terhadap algoritma populer dalam konteks analisis sentimen terhadap IKD, yang belum banyak diteliti sebelumnya. Hasil ini dapat menjadi acuan praktis dalam memilih algoritma klasifikasi untuk analisis opini publik terhadap layanan digital pemerintah.]]>
