<![CDATA[Penelitian ini bertujuan untuk mengatasi tantangan dalam mendeteksi dan mengklasifikasikan komentar berpotensi toxic secara otomatis pada media sosial TikTok, yang dikenal padat dengan bahasa informal, slang, dan cyber-aggression, menggunakan Analisis Sentimen dengan algoritma Decision Tree. Dataset yang digunakan terdiri dari 271 komentar primer yang dikumpulkan langsung dari feed video TikTok dan diklasifikasikan secara seimbang ke dalam kategori Toxic (Label = 1) dan Non-Toxic (Label = 0). Tahapan metodologi mencakup normalisasi bahasa slang TikTok, preprocessing teks, dan pembobotan fitur menggunakan Term Frequency–Inverse Document Frequency (TF-IDF) untuk menonjolkan fitur linguistik yang berkaitan dengan toksisitas. Hasil pengujian menunjukkan bahwa model menghasilkan akurasi sebesar 0,75, precision untuk kelas toxic sebesar 0,787, dan recall sebesar 0,765, sehingga mencerminkan performa aktual model dalam mendeteksi komentar toxic setelah proses preprocessing dan TF-IDF. Teknik post-pruning turut membantu mengurangi overfitting dan meningkatkan kemampuan generalisasi model terhadap data baru, meskipun penelitian ini tidak melakukan pengujian formal terhadap efisiensi komputasi maupun keandalan sistem. Secara keseluruhan, kombinasi normalisasi slang, TF-IDF, dan Decision Tree dengan post-pruning mampu menghasilkan performa klasifikasi yang stabil dalam identifikasi komentar toxic pada TikTok berbasis data primer. This study aims to address the challenges of automatically detecting and classifying potentially toxic comments on the TikTok social media platform, which is characterized by heavy use of informal language, slang, and cyber-aggression, by applying Sentiment Analysis using the Decision Tree algorithm. The dataset consists of 271 primary comments collected directly from TikTok video feeds and evenly categorized into Toxic (Label = 1) and Non-Toxic (Label = 0). The methodological stages include TikTok-specific slang normalization, text preprocessing, and feature weighting using Term Frequency–Inverse Document Frequency (TF-IDF) to highlight linguistic features associated with toxicity. Experimental results show that the model achieves an accuracy of 0.75, a precision of 0.787, and a recall of 0.765 for the toxic class, reflecting the model’s actual performance after preprocessing and TF-IDF optimization. The application of post-pruning also helps reduce overfitting and improves the model’s generalization ability toward new data, although the study does not conduct formal evaluations of computational efficiency or system reliability. Overall, the combination of slang normalization, TF-IDF, and a pruned Decision Tree demonstrates stable classification performance in identifying toxic comments on TikTok based on the primary data used.]]>
