Analisis Sentimen Pada Komentar YouTube Terhadap Video Clash of Champions Season 2 Menggunakan Metode Xgboost
Tahun 2026 · Penulis: Ainiyyah Wulandari Kusuma Widya
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
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 besar data tekstual yang tidak terstruktur dengan distribusi sentimen yang tidak seimbang, menciptakan tantangan untuk analisis sentimen otomatis. Dataset dikumpulkan menggunakan YouTube Data Application Programming Interface (API) melalui Google Coaboratory. Praproses teks dilakukan untuk meningkatkan kualitas data, termasuk pembersihan, normalisasi kasus, tokenisasi, penghapusan kata berhenti, penumpukan, dan normalisasi teks. Penlabelian sensimen dilakukan secara otomatis menggunakan pendekatan skor polaritas untuk mengkategorikan komentar ke dalam sentimen positif, netral, dan negatif. Data teksual diubah menjadi representasi numerik menggunakan metode Frekuensi Term-Inverse Document Frequency (TF-IDF). Untuk mengatasi ketidakseimbangan kelas, Sintetis Minority Over-sampling Technique (SMOTE) diterapkan pada data pelatihan. Model XGBoost dilatih di bawah dua skema, yaitu tanpa keseimbangan data dan dengan SMOTE, untuk membandingkan kinerja klasifikasi. Evaluasi model dilakukan dengan ketepatan, presisi, mengingat, dan metrik F1-score. Hasil menunjukkan bahwa XGBoost mencapai kinerja klasifikasi tinggi dan stabil pada tes data. Implementasi SMOTE meningkatkan kemampuan model untuk mengenali kelas sentimen minoritas tanpa mengurangi kinerja keseluruhan. Selain itu, visualisasi dengan suara keras mempertunjukkan pola bahasa yang khas di berbagai kategori sentimen. Secara keseluruhan, kombinasi XGBoost, TF-IDF, dan SMOTE menyediakan pendekatan efektif dan dapat diandalkan untuk analisis sentimen komentar YouTube Indonesia.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,871
Tahun 2026 · Penulis: Trisna Ayu Wulandari
Analisis Sentimen Komentar YouTube Terhadap OST Film Jumbo Menggunakan Metode Support Vector Machine (SVM)
Analisis sensimen adalah teknik yang digunakan untuk mengubah data tekstual menjadi informasi yang bermakna dengan mengklasifikasikan opini menjadi kategori positif, negatif, dan netral. Namun, data tekstual sering kali menghadirkan tantangan seperti karakteri
- Cosine 0,829
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.
- Cosine 0,809
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