Perkembangan teknologi digital yang pesat telah mengubah cara masyarakat dalam berkomunikasi dan berbagi informasi, khususnya melalui media sosial. Salah satu platform yang mengalami pertumbuhan signifikan adalah TikTok, yang tidak hanya digunakan sebagai sarana hiburan, tetapi juga sebagai media ekspresi, promosi, dan interaksi antar pengguna. Tingginya jumlah pengguna TikTok berdampak pada meningkatnya jumlah ulasan di Google Play Store yang berisi berbagai opini, kritik, dan saran terhadap aplikasi tersebut. Ulasan ini menjadi sumber informasi yang penting untuk mengetahui tingkat kepuasan pengguna. Namun, besarnya volume data dan sifatnya yang tidak terstruktur menyebabkan proses analisis secara manual menjadi tidak efektif. Selain itu, permasalahan ketidakseimbangan data (class imbalance) sering muncul dan memengaruhi kinerja model klasifikasi. Oleh karena itu, diperlukan suatu metode analisis sentimen yang mampu mengolah data secara otomatis sekaligus menghasilkan klasifikasi yang akurat dan seimbang, yang kemudian dirumuskan dalam penelitian ini.Penelitian ini bertujuan untuk melakukan analisis sentimen terhadap data ulasan aplikasi TikTok di Google Play Store dengan memanfaatkan algoritme random forest yang dikombinasikan dengan metode ADASYN. Data ulasan dikumpulkan menggunakan teknik web scraping, kemudian melalui tahapan preprocessing, pelabelan sentimen menggunakan metode VADER, dan representasi teks ke dalam bentuk numerik menggunakan TF-IDF. Selanjutnya, metode ADASYN diterapkan untuk mengatasi ketidakseimbangan data dengan menghasilkan data sintetis pada kelas minoritas secara adaptif. Setelah itu, proses klasifikasi dilakukan menggunakan random forest yang dikenal memiliki kemampuan dalam menangani data berukuran besar serta menghasilkan model yang stabil. Kombinasi kedua metode ini diharapkan meningkatkan performa model dalam mengklasifikasikan sentimen secara lebih akurat. Evaluasi hasil klasifikasi penelitian ini menunjukkan nilai true positive (TP) 1548, true negative (TN) 723, false positive (FP) 61, dan false negative (FN) 126. Berdasarkan nilai tersebut, model menghasilkan akurasi 92,4%, presisi 96,1%, recall 92,5%, dan F1-score 94,2%. Hasil ini menunjukkan bahwa model sangat baik dalam membedakan sentimen positif dan negatif serta mampu mengurangi bias terhadap kelas mayoritas, sehingga menghasilkan klasifikasi yang lebih seimbang.