This Author published in this journals
All Journal Jurnal Repositor
Nazilullaily Nur Aisyah
Universitas Muhammadiyah Malang

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

Found 1 Documents
Search

Analisis Polaritas Terhadap Komentar Pada Platform Youtube Menggunakan Algoritma Naive Bayes dan XGBoost Nazilullaily Nur Aisyah; Setio Basuki
Jurnal Repositor Vol. 7 No. 4 (2025): November 2025
Publisher : Universitas Muhammadiyah Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22219/repositor.v7i4.40852

Abstract

Objek penelitian: penelitian ini bertujuan untuk menganalisis respons netizen dalam menanggapi permasalah politik di Indonesia menggunakan nada dan bahasa yang terdapat pada komentar pada konten youtube Pandji Pragiwaksono menggunakan kategori yang lebih detail terkait dengan yang digunakan pada komentar. Masalah Penelitian: kajian literatur mengenai topik ini menunjukkan penelitian sebelumnya memiliki fokus yang terbatas. Sehingga meninggalkan permasalah yang terabaikan dan perlu untuk dilakukan analisis lebih lanjut. Metode Penelitian: penelitian ini menerapkan metode klasifikasi pada beberapa polaritas sentimen politik yang terkait dengan nada dan bahasa. Terdapat 3 polaritas sentimen yang dijadikan label utama: Kontruktif (menyajikan kritik dan saran), Emosional (menyajikan ekspresi perasaan seseorang seperti amarah, kecewa, sedih, dll), Humoris (menyajikan pendekatan humor atau sarkasme), dan 1 label tambahan yaitu Others. Tahap kedua, dataset didapatkan menggunakan teknik crawling data komentar pada platform youtube Indonesia, dengan 3 kategori komentar dengan jumlah banyak (4000), komentar sedang (1000), dan komentar sedikit (150). Tahap ketiga, penelitian ini menggunakan pelabelan secara manual dan kemudian dilanjutkan dengan tahap preprocessing agar menyiapkan data untuk dapat diproses lebih lanjut. Tahap keempat, melakukan proses augmentasi pada data train untuk dapat meningkatkan performaa model. Tahap kelima, klasifikasi yang didukung oleh fitur teks klasik seperti Bow, TF-IDF, 2-Gram, 3-Gram, dan word embeddings contextual menggunakan IndoBert. Hasil penelitian: menunjukkan bahwa data yang sudah melalui proses augmentasi memiliki performa yang unggul dibanding dengan data original dengan akurasi mencapai 97% menggunakan fitur word embeddings. Secara keseluruhan penggunakan teknik augmentasi dapat meningkatkan performa pada setiap model yang digunakan.