Implementasi Algoritma K-Nearest Neighbors untuk Klasifikasi Sentimen pada Ulasan Pakaian Anak di Platform TikTok Shop

Abstrak

Di tengah pesatnya perkembangan e-commerce, ulasan konsumen di platform digital telah menjadi indikator penting dalam menilai persepsi terhadap suatu produk. Sayangnya, potensi informasi yang terkandung dalam volume besar ulasan tersebut kerap belum dimanfaatkan secara maksimal oleh pelaku usaha. Penelitian ini mengkaji penerapan algoritma K-Nearest Neighbors (KNN) dalam menganalisis sentimen ulasan pelanggan terhadap produk pakaian anak yang dijual melalui toko Aluna Dearest di TikTok Shop. Data ulasan dikumpulkan dari periode 2022 hingga 2025, kemudian melalui serangkaian tahap preprocessing meliputi case folding, eliminasi stopword, dan stemming untuk membersihkan dan menstandarkan teks. Representasi numerik dari data teks diperoleh menggunakan pendekatan Term Frequency–Inverse Document Frequency (TF-IDF), sebelum diklasifikasikan ke dalam tiga kategori sentimen: positif, negatif, dan netral. Model KNN dilatih dengan pembagian data 80% untuk pelatihan dan 20% untuk pengujian, serta dilakukan eksplorasi nilai parameter K guna mengoptimalkan kinerja model. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 87,7%, presisi 85,8%, recall 87,7%, dan F1-score 82,8%. Temuan ini mengindikasikan bahwa algoritma KNN mampu memberikan performa klasifikasi sentimen yang andal pada data ulasan e-commerce, sehingga dapat menjadi alat bantu strategis bagi penjual dalam memahami kepuasan pelanggan, meningkatkan kualitas produk, serta merancang pendekatan pemasaran yang lebih responsif terhadap kebutuhan pasar.