<![CDATA[Abstrak - Penelitian ini bertujuan melakukan analisis sentimen pengguna TikTok terhadap postingan akun resmi Smartfrenworld menggunakan algoritma Logistic Regression. Metode ini dipilih karena keunggulannya dalam efisiensi komputasi dan efektivitasnya yang tinggi dalam menangani klasifikasi biner pada data teks, sehingga cocok untuk analisis sentimen. Data yang digunakan adalah 4.200 komentar pengguna TikTok yang dikumpulkan melalui proses scraping. Metodologi penelitian mencakup tahap pengumpulan data, prapemrosesan data yang mencakup Case folding, Normalisasi Kata Slang, dan penghapusan Stopword, serta pelabelan sentimen menggunakan metode Rule-Based. Hasil pelabelan menunjukkan bahwa sentimen negatif lebih mendominasi, yaitu sebesar 52,31% atau 2.197 sampel, dibandingkan dengan sentimen positif sebesar 47,69% atau 2.003 sampel. Evaluasi kinerja model Logistic Regression sebagai algoritma Machine Learning menunjukkan hasil yang sangat baik dan stabil, dengan nilai akurasi keseluruhan mencapai 0,9286 (92,86%). Selain itu, model ini juga mencapai nilai Presisi, Recall, dan F1-Score yang seimbang, yaitu 0,93 untuk kedua kelas sentimen. Analisis WordCloud menunjukkan bahwa sentimen negatif berkaitan dengan berbagai kendala teknis layanan seperti "sinyal", "jaringan", dan "gangguan", sementara sentimen positif berkaitan dengan interaksi dan pelayanan pelanggan yang baik, terlihat dari kata kunci seperti "teman" dan "trimz".Kata kunci: Analisis Sentimen; TikTok; Logistic Regression; Smartfrenworld; Machine Learning; Abstract - This study aims to analyze TikTok user sentiment towards Smartfrenworld's official account posts using the Logistic Regression algorithm. This method was chosen because of its advantages in computational efficiency and its high effectiveness in handling binary classification on text data, making it suitable for sentiment analysis. The data used are 4,200 TikTok user comments collected through a scraping process. The research methodology includes data collection stages, data preprocessing including Case folding, Slang Normalization, and Stopword removal, as well as sentiment labeling using the Rule-Based method. The labeling results show that negative sentiment is more dominant, namely 52.31% or 2,197 samples, compared to positive sentiment at 47.69% or 2,003 samples. The performance evaluation of the Logistic Regression model as a Machine Learning algorithm shows excellent and stable results, with an overall accuracy value reaching 0.9286 (92.86%). In addition, this model also achieves balanced Precision, Recall, and F1-Score values, namely 0.93 for both sentiment classes. WordCloud analysis shows that negative sentiment is related to various technical service issues such as “signal,” “network,” and “interference,” while positive sentiment is related to good customer interaction and service, as seen from keywords such as “friends” and “thanks”.Keywords: Sentiment Analysis; TikTok; Logistic Regression; Smartfrenworld; Machine Learning;]]>
