KOMPARASI TEKNIK PELABELAN PADA ALGORITMA XGBOOST MENGGUNAKAN VADER LEXICON DAN TEXTBLOB PADA ANALISIS SENTIMEN ULASAN APLIKASI TIKTOK

Aplikasi TikTok merupakan salah satu media sosial yang sangat populer dengan jutaan pengguna aktif dan beragam ulasan pada Google Playstore. Ulasan pengguna dapat dianalisis untuk mengetahui sentimen positif, negatif, maupun netral melalui analisis sentimen berbasis Natural Language Processing (NLP). Penelitian ini berfokus pada perbandingan teknik pelabelan otomatis menggunakan VADER Lexicon dan TextBlob, yang kemudian diproses menggunakan algoritma XGBoost sebagai model klasifikasi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan teks (case folding, filtering, stopword removal, stemming, normalisasi, tokenisasi), pelabelan sentimen menggunakan VADER Lexicon dan TextBlob, representasi fitur menggunakan TF-IDF, pemodelan dengan XGBoost, serta evaluasi model menggunakan confusion matrix dan classification report. Hasil penelitian menunjukkan bahwa model XGBoost dengan pelabelan TextBlob memberikan akurasi lebih tinggi, yaitu 99%, dibandingkan dengan pelabelan VADER Lexicon yang mencapai 97%. Selain itu, nilai F1-Score pada semua kelas (netral, positif, negatif) lebih stabil pada TextBlob (macro average F1 = 0.94) dibandingkan VADER Lexicon (macro average F1 = 0.84). penelitian ini mengindikasikan bahwa pendekatan pelabelan TextBlob lebih efektif dalam meningkatkan kinerja model klasifikasi XGBoost pada analisis sentimen ulasan aplikasi TikTok.

Kata Kunci - Analisis Sentimen, TikTok, VADER Lexicon, TextBlob, XGBoost.