<![CDATA[Penelitian ini menganalisis sentimen publik terhadap produk Eiger berdasarkan komentar pada kanal YouTube pihak ketiga independen menggunakan tiga model Deep Learning: Recurrent Neural Network (RNN), Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM). Dataset sebanyak 2.015 komentar unik dikumpulkan melalui YouTube Data API v3, lalu diproses dan diberi label berbasis kamus (lexicon-based). Hasil pelabelan menunjukkan ketidakseimbangan data yang tinggi: Netral 74,74%, Positif 19,50%, dan Negatif 5,76%. Dataset dibagi acak dengan proporsi 80:20 untuk data latih dan uji. Hasil eksperimen menunjukkan model CNN 1D menghasilkan performa terbaik dengan akurasi mencapai 94,79% serta nilai F1-Score yang seimbang di seluruh kelas (Positif: 0,97, Negatif: 0,87, Netral: 0,88). Sebaliknya, model RNN dan LSTM tertahan di angka akurasi semu sebesar 75% dengan F1-Score 0,00 pada kelas minoritas. Analisis Confusion Matrix membuktikan RNN dan LSTM mengalami kelumpuhan klasifikasi akibat fenomena majority class bias, di mana model memprediksi seluruh sampel ke kelas mayoritas lokal data uji (kelas Positif berproporsi 74,69%). Penelitian ini menyimpulkan bahwa arsitektur CNN 1D jauh lebih tangguh dalam mengekstraksi fitur lokal penentu sentimen pada teks media sosial yang pendek dan tidak seimbang dibandingkan arsitektur berbasis sekuensial temporal. Kata kunci: Analisis Sentimen, YouTube, Eiger, Deep Learning, CNN, RNN, LSTM, Majority Class]]>
Copyrights © 2026
