Analisis Topik Komentar Publik Berdasarkan Sentimen pada Tayangan Ruang Guru Clash of Champions Menggunakan SVM dan LDA
Tahun 2025 · Penulis: Haniva Naina Zein
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Analisis Topik Komentar Publik Berdasarkan Sentimen pada Tayangan Ruang Guru Clash of Champions Menggunakan SVM dan LDA
Ruangguru Clash dari Champions adalah sebuah kompetisi pendidikan program disiarkan melalui saluran Ruangguru YouTube dan aplikasi, menampilkan mahasiswa dari berbagai lembaga. Meskipun program ini menerima tanggapan positif di hadapan umum, program itu juga menghadapi kritik. Untuk memahami opini publik secara efektif, penelitian ini menganalisis volume besar komentar yang tidak terstruktur menggunakan analisis model topik dan sentimen. Penelitian ini menerapkan pendekatan kuantitatif dengan mengubah data teks yang tidak terstruktur menjadi bentuk numerik melalui pemuatan, klasifikasi, dan model probabilistik. Metode Latent Dirichlet Alokasi (LDA) digunakan untuk mengidentifikasi topik diskusi utama dan menetapkan label topik untuk setiap komentar, karena LDA telah terbukti efektif dalam model data teks pendek dalam skala besar. Dukungan Vektor Machine (SVM) digunakan untuk klasifikasi sentimen menjadi dua kategori: positif dan negatif, karena akurasi tinggi dalam analisis sentimen. Dataset terdiri dari 95.100 komentar yang dikumpulkan dari 12 video pada kanal Ruangguru YouTube menggunakan YouTube API. Hasilnya menunjukkan empat topik dominan: pemenang keikutsertaan, aspirasi pendidikan, dukungan untuk Ruangguru, dan jadwal penerbangan episode. Setiap komentar berhasil diberi label dengan salah satu topik ini. Analisis distribusi sensimen menunjukkan bahwa aspirasi pendidikan dan dukungan untuk Ruangguru didominasi oleh sentimen positif, sementara pemenang keikutsertaan dan jadwal episode menerima kebanyakan sentimen negatif. Evaluasi modelik menghasilkan nilai koherensi tertinggi 0.5014, sementara model SVM mencapai akurasi 96% menggunakan rasio 90:10 tes pelatihan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,755
Tahun 2026 · Penulis: Shafa Kamila
Analisis Sentimen Berbasis Aspek terhadap Pilkada Jember 2024 Menggunakan Model IndoBERT dan Algoritma LDA
Dinamika politik yang mengarah ke Eleksi Jember Regional 2024 memicu lonjakan signifikan opini publik di YouTube dan platform TikTok. Bahasa media sosial yang tidak resmi, termasuk bahasa slang, singkatan, dan dialek campuran, menghadirkan tantangan analisis m
- Cosine 0,748
Tahun 2026 · Penulis: Ainiyyah Wulandari Kusuma Widya
Analisis Sentimen Pada Komentar YouTube Terhadap Video Clash of Champions Season 2 Menggunakan Metode Xgboost
Penelitian ini bertujuan untuk mengevaluasi kinerja Extreme Gradient Boost (XGBoosst) algoritma dalam klasifikasi sentimen YouTube komentar pada seri video pendidikan "Clash of Champions Season 2." Komentar pengguna di media sosial platform menghasilkan volume
- Cosine 0,743
Tahun 2026 · Penulis: Tantra Wahyudi
Implementasi Sistem Deteksi Sentimen Berbasis Aspek untuk Ulasan Smartphone Menggunakan Metode Support Vector Machine (Studi kasus: iPhone 17 Pro)
Pengguna internet Indonesia telah menghasilkan jutaan ulasan smartphone di YouTube, yang sebagian besar ditulis dalam bahasa informal yang sangat tinggi yang berisi singkatan, typos, dan sarkasme, membuat analisis otomatis sangat menantang sistem konvensional.