ANALISIS SENTIMEN PADA GAME NEVERNESS TO EVERNESS DENGAN ALGORITMA NAIVE BAYES

Permainan bergenre open-world RPG urban Neverness to Everness (NTE) di Google Play Store mendapatkan beragam respons dari pengguna yang tercermin melalui ulasan tekstual. Penelitian ini bertujuan untuk menganalisis dan mengklasifikasikan sentimen ulasan pengguna berbahasa Indonesia menggunakan algoritma Multinomial Naive Bayes dengan pembobotan Term Frequency-Inverse Document Frequency (TF-IDF) serta penanganan ketidakseimbangan kelas (class imbalance) menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Data dikumpulkan melalui teknik web scraping sebanyak 4.200 ulasan mentah. Setelah tahap eliminasi rating netral (rating 3), diperoleh 3.855 data ulasan valid yang terdiri dari 2.989 sentimen positif (77,5%) dan 866 sentimen negatif (22,5%). Tahap pra-pemrosesan teks meliputi case folding, cleaning, normalisasi slang, stopword removal, stemming, dan tokenizing, yang menghasilkan 4.921 fitur kata unik TF-IDF. Data dibagi menjadi 80% data latih (3.084 ulasan) dan 20% data uji murni (771 ulasan). Teknik SMOTE diterapkan khusus pada data latih untuk meningkatkan sampel kelas minoritas negatif menjadi 2.391 data. Hasil pengujian model Multinomial Naive Bayes pada 771 data uji murni menunjukkan tingkat akurasi keseluruhan (Overall Accuracy) sebesar 81,58%. Pada kelas minoritas (negatif), model memperoleh nilai Recall sebesar 77% (133 True Negative dari 173 data uji negatif), sedangkan pada kelas positif memperoleh Precision sebesar 93% dan F1-Score sebesar 87%. Seluruh alur pemrosesan ini diintegrasikan ke dalam antarmuka dashboard berbasis Streamlit untuk pengujian pengklasifikasian secara interaktif.