| dc.description.abstract | Fenomena overclaim skincare di TikTok memunculkan berbagai respons publik yang tercermin pada kolom komentar sehingga penting untuk memahami sentimen yang terbentuk. Penelitian ini menerapkan model Multinomial Naïve Bayes (MNB) dan Light Gradient Boosting Machine (LightGBM) untuk mengklasifikasikan sentimen komentar ke dalam tiga kelas. Selain itu, penelitian ini juga menilai pengaruh jenis pelabelan dan distribusi sentimen terhadap performa model, serta mengidentifikasi kata-kata pemicu sentimen. Ketidakseimbangan distribusi data diatasi melalui augmentasi menggunakan teknik back translation. Model diuji pada empat skenario berdasarkan jenis pelabelan dan kondisi distribusi sentimen, lalu dievaluasi dengan akurasi, presisi, recall, dan f1-score. Model MNB pada skenario pelabelan manual dengan distribusi sentimen seimbang ditemukan sebagai model terbaik dengan akurasi 0,81 dan performa lebih stabil dibandingkan LightGBM pada scenario yang sama. Selain itu, kata-kata dominan pemicu sentimen berhasil diidentifikasi melalui analisis feature importance berbasis TF-IDF pada model terbaik. Temuan ini menegaskan bahwa kualitas pelabelan dan keseimbangan distribusi sentimen berperan krusial dalam meningkatkan kinerja model. | |
