KRESNA MEDIAKRESNA MEDIA

Jurnal Riset InformatikaJurnal Riset Informatika

Tingginya volume komentar publik di YouTube mengenai Demonstrasi DPR Agustus 2025, yang mencapai 43.910 data mentah, menghadirkan tantangan signifikan dalam melakukan analisis sentimen yang efisien. Keterbatasan waktu dan biaya dalam pelabelan manual untuk dataset berskala besar menjadi hambatan utama dalam pengembangan model prediksi. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan mengusulkan pendekatan hibrida yang mengintegrasikan pelabelan otomatis Lexicon-Based dengan evaluasi komparatif lima algoritma Machine Learning. Metodologi penelitian mencakup tahap text preprocessing yang menghasilkan 40.097 komentar unik, ekstraksi fitur menggunakan TF-IDF, dan pembagian data dengan rasio 80:20. Kinerja algoritma Support Vector Machine diperbandingkan secara komprehensif terhadap Random Forest, Decision Tree, K-Nearest Neighbors, dan Naive Bayes. Hasil eksperimen menunjukkan bahwa model SVM mencatatkan kinerja paling unggul dengan akurasi mencapai 96,5% dan weighted F1-Score 0,966. Skor ini secara signifikan mengungguli algoritma pembanding lainnya, di mana Random Forest menempati posisi kedua dengan akurasi 89,2%, diikuti oleh Decision Tree sebesar 85,6%, KNN sebesar 84,6%, dan Naive Bayes di posisi terendah dengan 84,0%. Temuan ini memvalidasi bahwa integrasi pelabelan Lexicon-Based dengan klasifikasi SVM merupakan solusi yang sangat akurat, tangguh, dan efisien untuk menangani analisis sentimen pada data media sosial berskala besar di Indonesia.

Penelitian ini menunjukkan bahwa algoritma SVM memiliki kinerja terbaik dalam analisis sentimen komentar YouTube terkait Demonstrasi DPR 2025 dengan akurasi 96,5%.Mayoritas komentar (79,8%) bersifat negatif, mencerminkan ketidakpuasan publik terhadap DPR.Pendekatan hibrida berbasis lexicon dan machine learning berhasil meningkatkan akurasi dan efisiensi analisis sentimen pada data media sosial skala besar.

Penelitian lanjutan dapat mengembangkan metode ini untuk platform media sosial lain seperti Twitter atau TikTok untuk menguji generalisasi hasil. Selain itu, penggabungan teknik deep learning seperti IndoBERT dengan pendekatan TF-IDF dapat dieksplorasi untuk meningkatkan akurasi. Perlu dilakukan perluasan dan penyempurnaan kamus lexicon InSet untuk mencakup istilah politik spesifik, sehingga meningkatkan kualitas label otomatis dan keakuratan model.

  1. ACCENTS Journals. accents journals journal advanced technology engineering exploration issn print volume... accentsjournals.org/paperinfo.php?journalPaperId=1800ACCENTS Journals accents journals journal advanced technology engineering exploration issn print volume accentsjournals paperinfo php journalPaperId 1800
  2. DOI Name 10.51454 Values. doi name values index type timestamp data hs serv 43z crossref email support... doi.org/10.51454DOI Name 10 51454 Values doi name values index type timestamp data hs serv 43z crossref email support doi 10 51454
  3. COMPARATIVE MACHINE LEARNING ALGORITHMS FOR YOUTUBE SENTIMENT ANALYSIS ON DPR DEMONSTRATION 2025 USING... ejournal.kresnamediapublisher.com/index.php/jri/article/view/470COMPARATIVE MACHINE LEARNING ALGORITHMS FOR YOUTUBE SENTIMENT ANALYSIS ON DPR DEMONSTRATION 2025 USING ejournal kresnamediapublisher index php jri article view 470
Read online
File size607.05 KB
Pages12
DMCAReport

Related /

ads-block-test