Kemunculan DeepSeek sebagai platform kecerdasan buatan (Artificial Intelligence) telah menarik perhatian masyarakat dan memunculkan berbagai tanggapan dari pengguna media sosial, khususnya Instagram. Beragam komentar yang disampaikan menunjukkan adanya perbedaan pandangan, baik berupa tanggapan positif maupun negatif terhadap kemampuan, manfaat, dan penggunaan DeepSeek. Perbedaan opini tersebut menjadikan analisis sentimen sebagai pendekatan yang dapat digunakan untuk mengetahui kecenderungan persepsi pengguna terhadap DeepSeek. Penelitian ini bertujuan untuk menganalisis sentimen komentar pengguna DeepSeek pada media sosial Instagram menggunakan algoritma Multinomial Naïve Bayes dengan pembobotan TF-IDF. Sebelum proses klasifikasi dilakukan, data melalui tahapan Preprocessing yang meliputi Case Folding, Emoji Demojization, text cleaning, Tokenizing, part-of-speech tagging, Lemmatization, dan stopword removal. Selanjutnya, pelabelan sentimen dilakukan secara otomatis menggunakan VADER, kemudian dilakukan ekstraksi fitur menggunakan TF-IDF serta penyeimbangan data dengan SMOTE. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan komentar ke dalam kategori sentimen Positif dan Negatif dengan Accuracy sebesar 82%, Precision sebesar 82%, Recall sebesar 90%, dan F1-score sebesar 86%. Hasil tersebut menunjukkan bahwa kombinasi Multinomial Naïve Bayes dan TF-IDF memiliki kinerja yang baik dalam melakukan analisis sentimen terhadap komentar pengguna DeepSeek pada media sosial Instagram.


Deskripsi Lain

The emergence of DeepSeek an artificial intelligence (AI) platform has captured the public’s attention and sparked a variety of reactions from social media users, particularly on Instagram. The diverse comments posted reflect differing viewpoints—both positive and negative—regarding DeepSeek’s capabilities, benefits, and usage. These differing opinions make sentiment analysis a useful approach for identifying trends in user perceptions of DeepSeek. This study aims to analyze the sentiment of DeepSeek user comments on Instagram using the Multinomial Naïve Bayes algorithm with TF-IDF weighting. Before the classification process, the data underwent Preprocessing steps including Case Folding, Emoji Demojization, text cleaning, tokenization, part-of-speech tagging, Lemmatization, and stopword removal. Next, sentiment labeling was performed automatically using VADER, followed by feature extraction using TF-IDF and data balancing with SMOTE. The results show that the model was able to classify comments into Positive and Negative sentiment categories with an Accuracy of 82%, Precision of 82%, Recall of 90%, and an F1-score of 86%. These results indicate that the combination of the Multinomial Naïve Bayes algorithm and TF-IDF performs well in conducting sentiment analysis on DeepSeek user comments on Instagram.

• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• ANALISIS SENTIMEN UNTUK MENGETAHUI RESPON PUBLIK MENGENAI KEBIJAKAN PEMERINTAH PADA TWITTER MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS: Rancangan Hukuman Kebiri Bagi Pedofil)
• Analisis Sentimen dari Media Sosial Menggunakan Metode Information Gain dan Naive Bayes
• Analisis Sentimen Pada Media Sosial Twitter Terhadap Kebijakan Pemindahan Ibukota Negara Berbasis Model Probabilitas
• Analisis Sentimen Publik pada Twitter Tentang Kebijakan New Normal Menggunakan Metode Weighted K-Nearest Neighbor (WKNN)

• Aplikasi Website dan E-DMS Kejaksaan Negeri Kraksaan dengan Metode TF-IDF
• Sistem Analisis Sentimen Produk Telkomsel dari Opini Twitter Berbahsa Indonesia Menggunakan Metode Naive Bayes Classifier
• IDENTIFIKASI MODEL GAYA BELAJAR FELDER SILVERMAN BERDASARKAN KARAKTERISTIK BROWSING SISWA DENGAN METODE NAÏVE BAYES CLASSIFIER
• RANCANG BANGUN E-DOCUMENT DI KANTOR PELAYANAN PERIJINAN TERPADU KABUPATEN BANGKALAN MENGGUNAKAN NAIVE BAYES CLASSIFIER
• Analisa Pemilihan Alat Kontrasepsi Dengan Menggunakan Metode Naive Bayes