Perbandingan Kinerja Algoritma Naive Bayes dan Logistic Regression Berbasis TF-IDF dalam Klasifikasi Sentimen Komentar YouTube terhadap Layanan Digital Kampus: Performance Comparison of Naive Bayes and Logistic Regression Based on TF-IDF for Sentimen

Layanan digital kampus, seperti sistem informasi akademik, penerimaan mahasiswa baru online, e-learning, learning management system, dan administrasi akademik online, memunculkan beragam tanggapan dari pengguna di media sosial. Komentar YouTube menjadi sumber umpan balik yang penting, tetapi data yang besar, informal, dan tidak terstruktur membuat analisis manual kurang efisien. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma Naive Bayes dan Logistic Regression berbasis Term Frequency–Inverse Document Frequency (TF-IDF) dalam mengklasifikasikan sentimen pada komentar YouTube terkait layanan digital kampus. Data penelitian terdiri atas 7.322 komentar yang dikumpulkan menggunakan kata kunci terkait sistem akademik online, LMS kampus, perkuliahan online, pendaftaran mahasiswa baru online, dan layanan digital kampus. Tahapan penelitian meliputi crawling data, preprocessing, pelabelan sentimen, ekstraksi fitur TF-IDF, pelatihan model dengan dan tanpa Synthetic Minority Oversampling Technique (SMOTE), serta evaluasi menggunakan accuracy, precision, recall, F1-score, dan confusion matrix. Hasil menunjukkan 3.181 komentar positif (43,4%), 2.350 negatif (32,1%), dan 1.791 netral (24,5%). Logistic Regression tanpa SMOTE menghasilkan kinerja terbaik dengan accuracy 81,57%, precision 80,77%, recall 80,59%, dan F1-score 80,67%. Temuan ini menunjukkan bahwa Logistic Regression lebih stabil dibandingkan dengan Naive Bayes dalam klasifikasi sentimen komentar YouTube berbahasa Indonesia mengenai layanan digital kampus.