<![CDATA[Pemindahan Ibu Kota Negara (IKN) ke Kalimantan Timur, yang dikenal sebagai Ibu Kota Nusantara, telah menjadi topik diskusi yang luas di berbagai platform media social. TikTok, sebagai salah satu platform berbagai video yang popular di Indonesia, menjadi medium bagi Masyarakat untuk mengespresikan opini mereka terkait program Pembangunan IKN. Penelitian ini dilakukan menggunakan Klasifikasi Sentimen dengan menerapkan algoritma Naive Bayes pada komentar TikTok. Dataset yang digunakan terdiri dari 1.810 komentar berbahasa Indonesia yang dikumpulkan melalui Teknik web scraping dari video TikTok yang membahas pemindahan IKN. Setiap komentar dikategorikan ke dalam tiga kelas sentimen, yaitu positif, negatif, dan netral. Proses analisis mencakup tahapan pra-pemrosesan teks, seperti labeling, pembersihan data, tokenisasi, dan stemming, sebelum dilakukan pelatihan model klasifikasi menggunakan algoritma Naïve Bayes. Hasil penelitian ini menunjukkan bahwa mayoritas komentar bersentimen negatif. Model Naïve Bayes yang digunakan menghasilkan tingkat akurasi sebesar 65%. Penelitian ini diharapkan menjadi referensi dalam memahami opini publik secara real-time serta dalam pengembangan model klasifikasi sentimen yang lebih akurat pada platform media sosial. The relocation of the National Capital City (IKN) to East Kalimantan, known as the Capital City of the archipelago, has become a topic of widespread discussion on various social media platforms. TikTok, as one of the popular video platforms in Indonesia, is a medium for the public to express their opinions regarding the IKN Development program. This research was conducted using Sentiment Classification by applying the Naive Bayes algorithm to TikTok comments. The dataset used consisted of 1,810 comments in Indonesian collected through web scraping techniques from TikTok videos discussing the transfer of the IKN. Each comment is categorized into three sentiment classes, which are positive, negative, and neutral. The analysis process includes pre-processing stages of text, such as labeling, data cleaning, tokenization, and stemming, before training the classification model using the Naïve Bayes algorithm. The results of this study show that the majority of comments have negative sentiments. The Naïve Bayes model used produces an accuracy rate of 65%. This research is expected to be a reference in understanding public opinion in real-time as well as in developing a more accurate sentiment classification model on social media platforms.]]>
