Analisis Sentimen Terhadap Komentar Video Youtube Menggunakan Support Vector Machines
Abstract
Many Youtube users leave comments on the YouTube video content they watch. These comments would be useful if further analysis were carried out. This study aims to analyze Sentiments Toward Youtube Video Comments, to make it easier for creators to find out what types of videos are of interest to viewers, without having to read the comments one by one. The stages carried out in this research are web scrapping, preprocessing, labeling, feature extraction, classification and evaluation. The results of the analysis show that the type of video content with the theme of daily vlogs is more in demand by YouTube users with positive dominant sentiment results. The daily vlog theme has a positive sentiment of 84.0% and a negative sentiment of 16.0%. The use of the SVM (Support Vector Machine) algorithm has an accuracy value of 86%, a precision of 87%, a recall of 99% and an f1-score of 100%.
Keywords: Sentiment Analysis; Text Mining; Support Vector Machine; Youtube
Abstrak
Banyak pengguna Youtube yang meninggalkan komentar pada konten video youtube yang mereka tonton. Komentar-komentar tersebut akan memberikan manfaat jika saja dilakukan analisis lebih lanjut. Penelitian ini bertujuan menganalisis Sentimen Terhadap Komentar Video Youtube, untuk memudahkan kreator mengetahui jenis video yang diminati penonton, tanpa harus membaca komentar secara satu per satu. Tahapan yang dilakukan dalam penelitian ini adalah web scrapping, preprocessing, labelling, ekstraksi fitur, klasifikasi dan evaluasi. Hasil analisis menunjukkan jenis konten video bertema daily vlog lebih banyak diminati oleh pengguna youtube dengan hasil sentimen dominan positif. Tema daily vlog memiliki sentimen positif sebesar 84.0% dan sentimen negatif sebesar 16.0%. Penggunaan algoritma SVM (Support Vector Machine) memiliki nilai akurasi sebesar 86%, presisi sebesar 87%, recall sebesar 99% dan f1-score sebesar 100%.
Kata Kunci: Analisis Sentimen; Text Mining; Support Vector Machine; Youtube
References
F. A. Nugraha, N. H. Harani, and R. Habibi, Analisis Sentimen Pembatasan Sosial Menggunakan Deep Learning, 1st ed. Bandung: Kreatif, 2020.
N. C. Dang, M. N. Moreno-García, and F. de la Prieta, “Sentiment analysis based on deep learning: A comparative study,” Electronics (Switzerland), vol. 9, no. 3, Mar. 2020, doi: 10.3390/electronics9030483.
A. M. Siregar and T. A. Hasan, “Aplikasi Linier Regresi Dengan Algortima Jaringan Syaraf Tiruan Untuk Sentimen Analisis,” Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi, vol. 3, no. 2, pp. 43-51, Oct. 2018.
H. Hassani, C. Beneki, S. Unger, M. T. Mazinani, and M. R. Yeganegi, “Text mining in big data analytics,” Big Data and Cognitive Computing, vol. 4, no. 1, pp. 1–34, Mar. 2020, doi: 10.3390/bdcc4010001.
S. Tandel, “A Survey on Text Mining Techniques,” International Conference on Advanced Computing & Communication Systems, pp. 1–5, 2019.
T. T. Widowati and M. Sadikin, “Analisis Sentimen Twitter Terhadap Tokoh Publik dengan Algoritme Naïve Bayes dan Support Vector Machine,” Jurnal SIMETRIS, vol. 11, no. 2, 2020, [Online]. Available: https://t.co/Xzf91zHK41
D. I. Sari, Y. F. Wati, and Widiastuti, “Analisis Sentimen dan Klasifikasi Tweets Berbahasa Indonesia Terhadap Transportasi Umum MRT Jakarta Menggunakan Naive Bayes Classifier,” Jurnal Ilmiah Informatika Komputer, vol. 25, no. 1, pp. 64–75, 2020, doi: 10.35760/ik.2020.v25i1.2427.
I. A. Ropikoh, R. Abdulhakim, U. Enri, and N. Sulistiyowati, “Penerapan Algoritme Support Vector Machine (SVM) untuk Klasifikasi Berita Hoax Covid-19,” 2021. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC
M. A. Z. Larasati, N. A. S. Winarsih, M. S. Rohman, and G. W. Saraswati, “Penerapan Metode K-Means Clustering dalam Menganalisis Sentimen Masyarakat terhadap K-Popers pada Twitter,” Progresif: Jurnal Ilmiah Komputer, vol. 18, no. 2, pp. 201–210, Aug. 2022, [Online]. Available: https://databoks.katadata.co.id/
A. Rahman Isnain, A. Indra Sakti, D. Alita, and N. Satya Marga, “Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritme SVM,” JDMSI, vol. 2, no. 1, pp. 31–37, 2021, [Online]. Available: https://t.co/NfhnfMjtXw
A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, and W. Gata, “Analisis Sentimen Aplikasi Ruang Guru Di Twitter Menggunakan Algoritme Klasifikasi,” Jurnal Teknoinfo, vol. 14, no. 2, p. 115, Jul. 2020, doi: 10.33365/jti.v14i2.679.
V. A. Flores, P. A. Permatasari, and L. Jasa, “Penerapan Web Scraping Sebagai Media Pencarian dan Menyimpan Artikel Ilmiah Secara Otomatis Berdasarkan Keyword,” Majalah Ilmiah Teknologi Elektro, vol. 19, no. 2, p. 157, Dec. 2020, doi: 10.24843/mite.2020.v19i02.p06.
D. H. Wahid and S. N. Azhari, “Peringkasan Sentimen Esktraktif di Twitter Menggunakan Hybrid TF-IDF dan Cosine Similarity,” Indonesian Journal of Computing and Cybernetics Systems, pp. 207–218, 2016.
H. Sujadi, “Analisis Sentimen Pengguna Media Sosial Twitter Terhadap Wabah Covid-19 Dengan Metode Naive Bayes Classifier Dan Support Vector Machine,” INFOTECH journal, vol. 8, no. 1, pp. 22–27, Mar. 2022, doi: 10.31949/infotech.v8i1.1883.
F. A. Sianturi, P. M. Hasugian, A. Simangunsong, and B. Nadeak, Data Mining Teori dan Aplikasi Weka. IOCS Publisher, 2019.
How To Cite This :
Refbacks
- There are currently no refbacks.
