I. PENDAHULUAN
Perkembangan teknologi informasi mendorong tingginya volume opini publik di platform digital (Rizki & Santoso, 2023). Pengukuran sentimen secara manual membutuhkan waktu lama dan rentan terhadap bias subjektif (Pratama et al., 2022; Chen & Guestrin, 2016). Oleh karena itu, dibutuhkan pendekatan otomatisasi berbasis ekstraksi fitur alami.
II. METODE PENELITIAN
Tahapan penelitian mencakup pengumpulan dataset, pembersihan data (preprocessing) (Suryani & Wijaya, 2021), ekstraksi pembobotan kata (TF-IDF) (Zhang & Zhao, 2020), serta pembagian data latih dan uji dengan rasio 80:20 (Budiarto et al., 2021).
III. HASIL DAN PEMBAHASAN
Berdasarkan pengujian terhadap 2.500 sampel data teks, performa model dievaluasi berdasarkan metrik Akurasi, Precision, Recall, dan F1-Score (Hasanah & Kurniawan, 2022) seperti disajikan pada Tabel 1 dan Gambar 1.
Tabel 1. Perbandingan Performa Algoritma Klasifikasi
| Algoritma | Akurasi (%) | Precision (%) | Recall (%) | F1-Score (%) |
|---|---|---|---|---|
| Naive Bayes | 81.2 | 80.5 | 81.0 | 80.7 |
| SVM (Linear) | 87.6 | 86.9 | 87.2 | 87.0 |
| XGBoost (Proposed) | 92.4 | 91.8 | 92.1 | 91.9 |
Gambar 1. Histogram Grafik Perbandingan Metrik Performa
IV. KESIMPULAN
Penerapan algoritma XGBoost terbukti efektif meningkatkan akurasi klasifikasi sentimen sebesar 92.4%, mengungguli metode pembanding Naive Bayes dan SVM (Utami & Wibowo, 2023).