Analisis Sentimen Komentar YouTube terhadap Video “Purbaya Effect: Pertaruhan Ekonomi Indonesia” sebagai Cerminan Persepsi Publik Tahun 2025
DOI:
https://doi.org/10.70609/jusifor.v4i2.8262Kata Kunci:
Analisis Sentimen, Support Vector Machine (SVM), YouTube, Kebijakan Ekonomi, TF-IDFAbstrak
Media sosial khususnya YouTube telah menjadi platform penting dalam membentuk opini publik terhadap isu ekonomi nasional. Penelitian ini bertujuan menganalisis sentimen publik terhadap kebijakan ekonomi Indonesia melalui komentar YouTube menggunakan pendekatan machine learning. Dataset terdiri dari 1.637 komentar yang dibagi menjadi data training (1.309) dan testing (328) dengan empat kategori sentimen: Positive, Negative, Neutral, dan Mixed Sentiment. Algoritma Support Vector Machine (SVM) LinearSVC diimplementasikan dengan ekstraksi fitur TF-IDF. Hasil penelitian menunjukkan model SVM mencapai akurasi 85,37% dengan waktu training 0,04 detik. Distribusi sentimen didominasi Neutral (75,32%), diikuti Positive (14,42%), Negative (7,15%), dan Mixed Sentiment (3,12%). Performa terbaik dicapai pada kategori Neutral dengan precision 0,87 dan recall 0,99 (F1-score 0,93). Namun, model gagal total mengklasifikasikan Mixed Sentiment (F1-score 0.00) dan memiliki kinerja rendah pada Negative (Recall 0.25) yang merupakan dampak dari severe class imbalance. Mayoritas publik menunjukkan sikap wait-and-see terhadap kebijakan ekonomi, mengindikasikan kematangan literasi ekonomi masyarakat Indonesia dalam merespons isu nasional.
Referensi
[1] R. A. Kaloka, “Pemanfaatan Youtube Sebagai Community Engagement Kegiatan Hubungan Masyarakat Skala Mikro,” Interak. J. Ilmu Komun., vol. 12, no. 2, pp. 321–331, 2023, doi: 10.14710/interaksi.12.2.321-331.
[2] Y. C. Hua, P. Denny, J. Wicker, and K. Taskova, “A systematic review of aspect-based sentiment analysis: domains, methods, and trends,” Artif. Intell. Rev., vol. 57, no. 11, p. 296, 2024, doi: 10.1007/s10462-024-10906-z.
[3] N. Lovely, N. L. R. Rahma, D. Almeira, and N. A. Rakhmawati, “Analisis Sentimen Opini Publik pada Platform X terhadap Pembangunan IKN Menggunakan Support Vector Machine (SVM),” Etika Teknol. Inf., vol. 1, no. 1, pp. 1–7, 2024, doi: 10.5281/zenodo.14238234.
[4] A. R. Padri, “Klasifikasi Kemancetan Lalu Lintas Di Indonesia Menggunakan Metode Naive Bayes Classification,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 297–310, 2023, doi: 10.24176/simet.v14i2.10102.
[5] E. Sihombing, M. Halmi Dar, and F. Aini Nasution, “Comparison of Machine Learning Algorithms in Public Sentiment Analysis of TAPERA Policy,” Int. J. Sci. Technol. Manag., vol. 5, no. 5, pp. 1089–1098, 2024, doi: 10.46729/ijstm.v5i5.1164.
[6] I. P. D. W. Darmawan, G. A. Pradnyana, and I. B. N. Pascima, “Optimasi Parameter Support Vector Machine Dengan Algoritma Genetika Untuk Analisis Sentimen Pada Media Sosial Instagram,” SINTECH (Science Inf. Technol. J., vol. 6, no. 1, pp. 58–67, 2023, doi: 10.31598/sintechjournal.v6i1.1245.
[7] A. A. Ningtyas, A. Solichin, and R. Pradana, “Analisis Sentimen Komentar Youtube Tentang Prediksi Resesi Ekonomi Tahun 2023 Menggunakan Algoritme Naïve Bayes,” Bit (Fakultas Teknol. Inf. Univ. Budi Luhur), vol. 20, no. 1, p. 9, 2023, doi: 10.36080/bit.v20i1.2317.
[8] M. H. Wicaksono, M. D. Purbolaksono, and S. Al Faraby, “Perbandingan Algoritma Machine Learning untuk Analisis Sentimen Berbasis Aspek pada Review Female Daily,” eProceedings Eng., vol. 10, no. 3, pp. 3591–3600, 2023.
[9] Chando and N. Batubara, “Sistem Akusisi Data untuk Polling berbasis Media Sosial dan Autentikasi User menggunakan reCaptcha Tugas Akhir diajukan untuk memenuhi salah satu syarat memperoleh gelar sarjana dari Program Studi Sarjana Teknik Informatika Chando Anggara Natanael Batubar,” vol. 6, no. 2, pp. 9528–9536, 2019.
[10] F. S. R. Siregar and D. E. Ratnawati, “Klasifikasi Data Paten Berdasarkan Judul dan Abstrak Menggunakan Support Vector Machine,” vol. 9, no. 9, pp. 1–7, 2025.
[11] A. F. Aufar, Mochamad Alfan Rosid, A. Eviyanti, and I. R. I. Astutik, “Optimizing Text Preprocessing for Accurate Sentiment Analysis on E-Wallet Reviews,” JICTE (Journal Inf. Comput. Technol. Educ., vol. 7, no. 2, pp. 42–50, 2023, doi: 10.21070/jicte.v7i2.1650.
[12] W. B. Zulfikar, A. R. Atmadja, and S. F. Pratama, “Sentiment Analysis on Social Media Against Public Policy Using Multinomial Naive Bayes,” Sci. J. Informatics, vol. 10, no. 1, pp. 25–34, 2023, doi: 10.15294/sji.v10i1.39952.
[13] P. Sulistiyawati et al., “Prediksi Kata Kasar Berbahasa Indonesia Menggunakan Machine Learning Berbasis Mobile Infrastructure,” Transmisi, vol. 24, no. 2, pp. 55–61, 2022, doi: 10.14710/transmisi.24.2.55-61.
[14] A. Firizkiansah, A. Muhammad, and I. R. Maulana, “Optimasi Klasifikasi Data Teks Menggunakan Algoritma Logistic Regression dengan TF-IDF dan SMOTE,” JIKOMTI J. Ilm. Ilmu Komput. dan Teknol. Inf., vol. 2, no. 1, pp. 29–36, 2025, [Online]. Available: https://ojs.sains.ac.id/index.php/Jikomti/article/view/97/119
[15] M. Fadli and R. A. Saputra, “KLASIFIKASI DAN EVALUASI PERFORMA MODEL RANDOM FOREST UNTUK PREDIKSI STROKE Classification And Evaluation Of Performance Models Random Forest For Stroke Prediction,” J. Tek., vol. 12, no. 2, pp. 72–80, 2023, [Online]. Available: http://jurnal.umt.ac.id/index.php/jt/index
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Adi Susanto, Imelda Valentina
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
