Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Ryan Randy Suryono
Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
ANALISIS SENTIMEN KOMENTAR YOUTUBE TERHADAP KONTEN DISKUSI POLITIK PADA PODCAST MENSREA MENGGUNAKAN METODE NAIVE BAYES DAN SVM Adelia Pratiwi; Yohanes Simarmata; Ryan Randy Suryono
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 10 No. 2 (2026): JATI Vol. 10 No. 2
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v10i2.17424

Abstract

Media sosial YouTube telah berkembang menjadi ruang diskusi publik yang memungkinkan masyarakat menyampaikan opini secara terbuka, termasuk pada konten diskusi politik. Podcast Mensrea sebagai salah satu podcast diskusi politik memicu beragam respons audiens yang tercermin dalam kolom komentar YouTube. Namun, besarnya volume komentar dan karakteristik bahasa yang tidak terstruktur menyebabkan analisis opini secara manual menjadi kurang efektif. Oleh karena itu, penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube terhadap konten diskusi politik pada podcast Mensrea serta membandingkan kinerja algoritma Naive Bayes dan Support Vector Machine (SVM) dalam mengklasifikasikan sentimen komentar ke dalam kategori positif, negatif, dan netral. Data penelitian berupa komentar YouTube yang dikumpulkan melalui proses crawling dan diolah menggunakan pendekatan text mining dengan tahapan pra-pemrosesan, pembobotan fitur TF-IDF, serta klasifikasi sentimen. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki kinerja yang lebih baik dibandingkan Naive Bayes dengan nilai akurasi sebesar 75,5% dan weighted F1-score sebesar 0,757, sedangkan Naive Bayes memperoleh akurasi sebesar 58,5% dengan weighted F1-score sebesar 0,543. Hasil ini menunjukkan bahwa SVM lebih efektif dalam menangani data komentar YouTube yang bersifat tidak terstruktur dan kompleks.
Co-Authors Adelia Pratiwi Yohanes Simarmata