Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal of Computer and Information System (J-CIS)
Putri, Haerya
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search
Journal : Journal of Computer and Information System (J-CIS)

 1 
Analisis Sentimen Komentar YouTube terhadap Ganjar Pranowo Pasca Pemilu 2024 dengan Pendekatan Long Short-Term Memory Putri, Haerya; Rensa, Erma; Nur, Nahya; Wajidi, Farid
Journal of Computer and Information System ( J-CIS ) Vol 7 No 2 (2024): J-CIS Vol. 7 No. 2 Tahun 2024
Publisher : Universitas Sulawesi Barat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31605/jcis.v7i2.4529

Abstract

Pemilihan umum 2024 menuai banyak kontroversi, terutama setelah pelaksanaannya pada 14 Februari 2024. Ganjar Pranowo, sebagai salah satu calon presiden, menjadi topik hangat di media sosial, termasuk YouTube. Beragam komentar yang muncul menyulitkan untuk melihat secara keseluruhan apakah komentar tersebut berpihak atau sebaliknya. Kesulitan tersebut menjadi masalah yang perlu diatasi. Penelitian ini bertujuan untuk menganalisis sentimen terhadap Ganjar Pranowo yang ditayangkan pada saluran YouTube Metro TV. Metode yang digunakan adalah Deep Learning dengan model Long Short-Term Memory (LSTM) untuk mengklasifikasikan sentimen positif, netral, atau negatif. Dataset terdiri dari 3.100 komentar yang dikumpulkan melalui YouTube Data API. Proses preprocessing mencakup case folding, text cleaning, stopword removal, normalization, tokenizing, dan stemming. Hasil penelitian menunjukkan bahwa sentimen netral yang lebih banyak pada komentar YouTube dalam menanggapi Ganjar Pranowo pasca pemilu 2024 dengan 1019 komentar, dalam hal ini metode LSTM mampu mengklasifikasi sentimen dengan akurasi sebesar 75%. Evaluasi kinerja model menggunakan metrik accuracy, precision, recall, f1-score serta confusion matrix dan word cloud menunjukkan bahwa model ini efektif dalam memahami dan menganalisis sentimen dari data teks.
Co-Authors Farid Wajidi Nur, Nahya Rensa, Erma