SENTIMEN ULASAN KLASIFIKASI GAME BUS SIMULATOR INDONESIA DENGAN METODE TF-IDF NAÏVE BAYES

Abstract

Industri hiburan digital lokal, khususnya game mobile seperti Bus Simulator Indonesia (BUSSID), berkembang pesat dan menarik banyak pengguna. Namun, tingginya volume ulasan pengguna di Google Play Store menyulitkan pengembang dalam mengevaluasi umpan balik secara manual untuk meningkatkan kualitas game. Penelitian ini bertujuan untuk mengklasifikasikan sentimen ulasan pengguna BUSSID ke dalam kategori positif, negatif, dan netral. Metode yang digunakan adalah data preprocessing (cleaning, case folding, normalisasi, tokenizing, stemming), pelabelan awal dengan Indonesia Sentiment Lexicon, pembobotan Term Frequency-Inverse Document Frequency (TF-IDF), dan klasifikasi menggunakan algoritma Naïve Bayes. Hasil penelitian menunjukkan kombinasi TF-IDF dan Naïve Bayes sangat efektif. Pada skenario data terbaik (70:30), model mencapai akurasi sebesar 89,92%. Performa kelas positif memperoleh precision 82%, recall 98%, F1-score 89%; kelas negatif mencapai precision 98%, recall 90%, F1-score 94%; serta kelas netral mencatat precision 95%, recall 73%, F1-score 83%.