Pneumonia adalah salah satu penyakit infeksi yang menyerang saluran nafas bawah yang merupakan penyebab kematian utama pada anak. Di era digital, media sosial seperti TikTok menjadi sarana bagi masyarakat untuk berbagi informasi, pengalaman, serta opini terkait penyakit pneumonia. Penelitian ini bertujuan untuk mengetahui dan membandingkan tingkat akurasi analisis sentimen penyakit pneumonia di media sosial TikTok menggunakan ekstraksi fitur Term Frequency-Relevance Frequency (TF-RF) pada klasifikasi boosting dengan algoritma AdaBoost, Gradient Boosting, dan Extreme Gradient Boosting (XGBoost). Data penelitian berupa 3.030 komentar TikTok yang diklasifikasikan ke dalam tiga kategori sentimen, yaitu positif, netral, dan negatif. Tahapan penelitian meliputi preprocessing, ekstraksi fitur menggunakan TF-RF, dan pembagian data menggunakan Holdout Validation dengan rasio 80:20. Selanjutnya, proses klasifikasi menggunakan tiga algoritma boosting, yaitu AdaBoost, Gradient Boosting, dan XGBoost. Hasil penelitian menunjukkan bahwa algoritma XGBoost memperoleh performa terbaik dibandingkan AdaBoost dan Gradient Boosting. Berdasarkan hasil evaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan confusion matrix, XGBoost menghasilkan akurasi sebesar 88,12%. Sementara itu, Gradient Boosting memperoleh akurasi sebesar 84,82% dan AdaBoost memperoleh akurasi sebesar 67,33%. Hasil tersebut menunjukkan bahwa XGBoost memiliki kemampuan yang lebih baik dalam mengklasifikasikan sentimen komentar mengenai penyakit pneumonia di media sosial TikTok menggunakan ekstraksi fitur TF-RF. 

Kata Kunci: Pneumonia, Media Sosial, Analisis Sentimen, AdaBoost, Gradient Boosting, XGBoost, TF-RF