Analisis Sentimen Komentar Video Afiliasi Tiktok Dengan Random Forest-SMOTE

Oleh :
Fathimah Nurul Azizah - M0122047 - Fak. MIPA

Indonesia merupakan negara dengan jumlah pengguna TikTok terbesar kedua di dunia dan memiliki jumlah akun TikTok Shop terbanyak, sehingga menunjukkan besarnya potensi pasar afiliasi pada platform tersebut. Meskipun demikian, tingkat partisipasi afiliator di Indonesia masih relatif rendah dibandingkan beberapa negara lain. Komentar pada video afiliasi TikTok mengandung informasi mengenai opini dan sentimen konsumen yang dapat dimanfaatkan untuk memahami respons terhadap produk yang dipromosikan. Namun, jumlah komentar yang besar dan tidak terstruktur menyulitkan analisis secara manual. Data yang digunakan pada penelitian analisis sentimen didominasi oleh data dari Twitter atau X, sedangkan penelitian menggunakan data komentar video afiliasi TikTok masih terbatas. Oleh karena itu, penelitian ini bertujuan untuk melakukan analisis sentimen pada komentar video afiliasi TikTok dengan random forest-SMOTE.  Metode penelitian yang digunakan meliputi pengumpulan data komentar video afiliasi TikTok kategori produk kecantikan populer di Indonesia pada periode Januari hingga Desember 2025, preprocessing yang terdiri dari cleaning, case folding, tokenizing, stopword removal, dan stemming, pelabelan sentimen menggunakan IndoBERTweet, pembagian data training dan testing, vektorisasi menggunakan Term Frequency–Inverse Document Frequency (TF-IDF), penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pelatihan model menggunakan random forest, serta evaluasi performa model menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1.   Hasil penelitian menunjukkan bahwa kombinasi algoritme random forest dan teknik penyeimbangan data SMOTE dapat diterapkan untuk analisis sentimen komentar video afiliasi TikTok. Analisis sentimen pada penelitian ini menggunakan 2.496 dataset komentar yang terdiri dari 1.534 komentar berlabel negatif dan 962 komentar berlabel positif. Sebanyak 80% dataset digunakan untuk melatih model menggunakan algoritme random forest dan teknik penanganan class imbalance dengan SMOTE. Sedangkan 20% dataset yang tersisa digunakan untuk menguji model yang diperoleh. Hasil pengujian dengan parameter terbaik menunjukkan bahwa model mempunyai nilai akurasi sebesar 0,82 dan rata-rata nilai F1 sebesar 0,81 pada data testing. Oleh karena itu, kombinasi algoritme random forest dan SMOTE dapat digunakan sebagai pendekatan untuk melakukan analisis sentimen komentar video afiliasi TikTok.