Analisis Sentimen Komentar Youtube Terhadap Ceramah Ning Umi Laila Sindir Rhoma Irama Menggunakan Algoritma LSTM
Abstract
Indonesian people utilize social media such as YouTube not only for entertainment, but also as a medium for education and da'wah, similar to Nen Umi Laila. This research aims to analyze the sentiment towards Neng Umi Laila's video “Kepleset” Ghibahin Rhoma Irama using the LSTM algorithm. The data used are 1108 comments on the video. LSTM was chosen because of its accuracy and ability to handle small amounts of data. This research method is comparable to deep learning in terms of prediction accuracy. The original data set consisted of 805 comments from April 13 to 15, 2024, resulting in 1. 108 comments after cleaning and preprocessing. The evaluation results show that the accuracy of managing YouTube comment data using the LSTM algorithm is 96%. Find and download a suitable dataset for the research topic from data repositories like Kaggle, UCI Machine Learning Repository, or Google Dataset Search.
Keyword: Sentiment Analysis; YouTube; Long short-term memory Algorithm
Abstrak
Masyarakat Indonesia memanfaatkan media sosial seperti YouTube tidak hanya untuk rekreasi dan sebagai media pendidikan dan dakwah, serupa dengan Nen Umi Laila. Tujuan penelitian ini adalah untuk menganalisis sentimen terhadap video Neng Umi Laila "Kepleset" Ghibahin Rhoma Irama menggunakan algoritma Long short-term memory (LSTM). Data yang digunakan adalah 1108 komentar pada video tersebut. LSTM dipilih karena keakuratan dan kemampuannya menangani data dalam jumlah kecil. Metode penelitian ini sebanding dengan deep learning dalam hal akurasi prediksi. Kumpulan data asli terdiri dari 805 komentar dari 13 hingga 15 April 2024, menghasilkan 1.108 komentar setelah pembersihan dan prapemrosesan. Hasil evaluasi menunjukkan akurasi pengelolaan data komentar YouTube menggunakan algoritma LSTM sebesar 96%.
Kata kunci: Analisis sentimen, YouTube, Long Short-Term Memory
References
M. R. Arjunanto and S. Waluyo, "Analisis Sentimen pada Media Sosial Twitter terhadap
Infrastruktur Jalan di Lampung menggunakan Algoritma K-Nearest Neighbor," in Prosiding
Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), vol. 2, no. 2, pp.
-144, 2023.
M. Z. Rahman, Y. A. Sari, and N. Yudistira, "Analisis Sentimen Tweet COVID-19
menggunakan Word Embedding dan Metode Long Short-Term Memory (LSTM)," J.
Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 11, pp. 5120-5127, 2021.
C. A. Misrun, et al., "Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai
bakal calon presiden 2024 menggunakan metode naive bayes classifier," Jurnal Coscitech
(Computer Science and Information Technology), vol. 4, no. 1, pp. 207-215, 2023
M. A. Nurrohmat and A. SN, "Sentimen Analysis of Novel Review Using Long Short-Term
Memory Method," IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol.
, no.3, p.209, 2019, doi: 10.22146/ijccs.41236.
S. Hochreiter and J. Schmidhuber,"Long short-term memory," Neural Computation, vol. 9,
no.8, pp.1735-1780, 1997.
S. Muzaffar and A. Afshari, "Short-term load forecasts using LSTM networks," Energy
Procedia, vol.158, pp. 2922-2927, 2019.
C. Zai, "Implementasi Data Mining Sebagai Pengolahan Data," Jurnal Portal Data, vol. 2,
no. 3, pp. 46-55, 2022.
F. Pramono, D. Rosiyadi, and W. Gata, "Integrasi N-gram, Information Gain, Particle Swarm
Optimization di Naïve Bayes untuk Optimasi Sentimen Google Classroom," Jurnal RESTI
(Rekayasa Sistem Dan Teknologi Informasi), vol. 3, no. 3, pp. 383-388, 2019.
M. A. Nurrohmat and S. N. Azhari, "Sentiment analysis of novel review using long short-term
memory method," IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol.
,no. 3, pp. 209-218, 2019.
A. R. A. Anisa, "Analisis Part Of Speech Tagging Bahasa Indonesia Dalam Swamedikasi
Dialog Interactive Question Answering Menggunakan Metode HMM," Jurnal Teknologi
Pintar, vol. 2, no.10, pp. 69-78, 2022.
C. A. Misrun, et al., "Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai
bakal calon presiden 2024 menggunakan metode naive bayes classifier," Jurnal Coscitech
(Computer Science and Information Technology), vol. 4, no. 1, pp. 207-215, 2023.
W.Saefudin, A. Komarudin, and R. Ilyas, "Visualisasi Kumpulan Berita Dalam Bentuk Peta
Digital Dengan Metode Term Frequency-Inverse Document Frequency dan Gazetteer,"
Seminar Nasional Sains dan Teknologi Informasi (SENSASI), vol. 2, no. 1, pp. 117-126,
M. F. Rizkilloh and S. Widiyanesti, "Prediksi Harga Cryptocurrency Menggunakan Algoritma
Long Short Term Memory (LSTM)," Jurnal RESTI (Rekayasa Sistem dan Teknologi
Informasi), vol. 6, no.1, pp. 25-31, 2022.
K. S. Nugroho, I. Akbar, and A. N. Suksmawati, "Deteksi Depresi dan Kecemasan Pengguna
Twitter Menggunakan Bidirectional LSTM," arXiv preprint arXiv:2301.04521, 2023.
A. E. Augustia, et al., "Analisis Sentimen Omnibus Law Pada Twitter Dengan Algoritma
Klasifikasi Berbasis Particle Swarm Optimization," Paradigma, vol. 23, no. 2, pp. 158-166,
Y. Liu, et al., "Roberta: A robustly optimized bert pretraining approach," arXiv preprint
arXiv:1907.11692, 2019.
A. Santosa, I. Purnamasari, and R. Mayasari, "Pengaruh Stopword Removal dan Stemming
Terhadap Performa Klasifikasi Teks Komentar Kebijakan New Normal Menggunakan
Algoritma LSTM," J-SAKTI (Jurnal Sains Komputer dan Informatika), vol. 6, no. 1, pp. 81-
,2022.
A. Hendrawan, E. I. Sela, "Analisis Sentimen Komentar Youtube Tentang Resesi Global
Menggunakan LSTM," Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol.
, no. 1, pp. 587-593, 2024.
How To Cite This :
Refbacks
- There are currently no refbacks.
