<![CDATA[Perkembangan teknologi informasi yang pesat telah menempatkan platform YouTube sebagai sumber utama untuk memperoleh informasi dan pendidikan, khususnya dalam konteks pembelajaran bahasa Inggris, yang menghasilkan volume umpan balik pengguna yang besar dalam bentuk komentar. Tujuan penelitian ini adalah menganalisis dan mengklasifikasikan sentimen (Positif, Negatif, dan Netral) dari 50.954 komentar pada video pembelajaran bahasa Inggris di YouTube dengan mengaplikasikan algoritma Naïve Bayes Classifier (NBC). Metode penelitian kuantitatif ini melibatkan tahapan text mining yang komprehensif, mulai dari preprocessing data, pelabelan otomatis menggunakan VADER Sentiment Analyzer, hingga pembentukan matriks fitur (confusion matrix) dengan TF-IDF. Hasil evaluasi kinerja model NBC menunjukkan Akurasi Keseluruhan sebesar 84%. Walaupun akurasi tinggi, ditemukan adanya ketidakseimbangan kelas (class imbalance) yang signifikan, dengan sentimen Netral mendominasi (56.34%). Analisis metrik per kelas mengungkapkan bahwa model lemah dalam mengklasifikasikan sentimen Negatif (memiliki Recall 0.41), dengan 313 komentar Negatif salah diprediksi sebagai Positif. Penelitian menyimpulkan bahwa NBC merupakan solusi valid dan efektif, namun disarankan untuk mengaplikasikan teknik penanganan class imbalance pada studi mendatang guna meningkatkan kemampuan deteksi sentimen Negatif, yang merupakan umpan balik penting untuk peningkatan kualitas konten. Kata Kunci: Analisis Sentimen, Naïve Bayes Classifier, YouTube, Pembelajaran Bahasa Inggris, Class Imbalance The rapid development of information technology has positioned YouTube as a primary platform for accessing information and education, particularly within the context of English language learning, which generates a substantial volume of user feedback in the form of comments. This research aims to analyze and classify the sentiments (Positive, Negative, and Neutral) of 50,954 comments on English learning videos on YouTube using the Naïve Bayes Classifier (NBC) algorithm. This quantitative research employs a comprehensive text mining workflow, including data preprocessing, automated labeling using the VADER Sentiment Analyzer, and feature matrix construction with TF-IDF. The performance evaluation of the NBC model shows an overall accuracy of 84%. Despite this high accuracy, a significant class imbalance was identified, with Neutral sentiment dominating (56.34%). Class-wise metric analysis reveals that the model underperforms in classifying Negative sentiment (with a Recall of 0.41), where 313 Negative comments were misclassified as Positive. This study concludes that NBC serves as a valid and effective approach; however, it is recommended that future research incorporate class imbalance handling techniques to enhance the detection of Negative sentiment, which provides essential feedback for improving content quality. Keywords: Class Imbalance, English Language Learning, Naïve Bayes Classifier, Sentiment Analysis, YouTube]]>
