Analisis Sentimen Komentar YouTube pada Video Terkait Insiden Pengemudi Ojek Online dan Anggota Brimob Menggunakan Algoritma Naive
DOI:
https://doi.org/10.35473/jamastika.v4i2.4495Abstract
Media sosial telah menjadi ruang ekspresi publik yang dinamis, di mana masyarakat menyampaikan opini terhadap berbagai peristiwa aktual. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap insiden antara pengemudi ojek online dan anggota Brimob melalui komentar YouTube. Metode yang digunakan adalah algoritma Naive Bayes dengan pendekatan klasifikasi teks. Data dikumpulkan dari 10 video YouTube, menghasilkan 1.143 komentar, yang setelah dibersihkan menjadi 1.121 komentar. Fitur teks dibentuk menggunakan TF-IDF Vectorizer dan data dibagi menjadi data latih (896) dan data uji (225). Hasil klasifikasi menunjukkan distribusi sentimen: netral (48.7%), negatif (46.7%), dan positif (4.5%). Evaluasi model menghasilkan akurasi 67%, precision 46%, recall 47%, dan F1-score 45%. Temuan ini menunjukkan bahwa mayoritas komentar bersifat netral dan negatif, serta bahwa Naive Bayes cukup efektif dalam klasifikasi opini publik meskipun memiliki keterbatasan dalam menangani data minoritas.
Kata Kunci: Analisis Sentimen, Komentar YouTube, Naive Bayes, Text Mining, Opini Publik.
Social media has become a dynamic space for public expression, where individuals share opinions on various current events. This study aims to analyze public sentiment regarding the incident between an online motorcycle taxi driver and a member of Brimob through YouTube comments. The method employed is the Naive Bayes algorithm with a text classification approach. Data was collected from 10 YouTube videos, yielding 1,143 comments, which were cleaned down to 1,121 comments for analysis. Text features were constructed using the TF-IDF Vectorizer, and the dataset was split into training data (896 comments) and test data (225 comments). The classification results show sentiment distribution as follows: neutral (48.7%), negative (46.7%), and positive (4.5%). Model evaluation produced an accuracy of 67%, precision of 46%, recall of 47%, and F1-score of 45%. These findings indicate that most comments are neutral and negative, and that Naive Bayes is reasonably effective in classifying public opinion, although it faces challenges in handling minority classes such as positive sentiment.
Keywords: Sentiment Analysis, YouTube Comments, Naive Bayes, Text Mining, Public Opinion.
References
Abd Ghofur, M. F. (2024). Analisis Sentimen Komentar Youtube Terhadap Tayangan #Terbaru! Temuan dan Masalah Ahlak Di Ponpes Al-zaytun Menggunakan Metode Naïve Bayes. G-Tech : Jurnal Teknologi Terapan, 847-856.
Agarwal, A. &. (2023). Sentiment Analysis of YouTube Comments Using Machine Learning Techniques. International Journal of Advanced Computer Science and Applications (IJACSA), 115–123.
Alfin Gerliandeva, Y. H. (2024). Optimasi Klasifikasi Sentimen pada Komentar Online menggunakan Multinomial Naïve Bayes dan Ekstraksi Fitur TF-IDF serta N-grams. Jurnal Pekommas, 259-272.
Alfin Gerliandeva, Y. H. (2024). ptimasi Klasifikasi Sentimen pada Komentar Online menggunakan Multinomial Naïve Bayes dan Ekstraksi Fitur TF-IDF serta N-grams. Jurnal_Pekommas, 259-272.
Billy Franko, N. W. (2024). Analisis Sentimen Terhadap Naturalisasi Pemain pada Youtube Menggunakan Decision Tree dan Naive Bayes. JURNAL SESSION (Software Development, Digital Business Intelligence, and Computer Engineering), 08-16 .
Dewi Ayu, d. (2023). Klasifikasi Sentimen Komentar Youtube Tentang Pembatalan Indonesia Sebagai Tuan Rumah Piala Dunia U-20 Menggunakan Naive Baye. Jurnal Sistem dan Teknologi Informasi (JSON.
Hidayat, R. &. (2024). Implementasi Algoritma Naive Bayes untuk Analisis Sentimen pada Komentar Media Sosial. Jurnal Teknologi Informasi dan Ilmu Komputer, 241–249.
Kurniawan, R. (2022). Analisis Sentimen Komentar Di YouTube Tentang Ceramah Ustadz Abdul Somad Menggunakan Algoritma Naïve Bayes. Jurnal Nasional Komputasi dan Teknologi Informasi, 131-140.
Linda, d. (2025). Analisis Sentimen Komentar Youtube Terhadap Isu Kesehatan Mental Menggunakan Algoritma Naïve Bayes dan KNN. Jurnal Syntax Transformation.
Muhammad Iqbal Ahmadi, D. G. (2021). Analisis Sentiment Masyarakat terhadap Kasus Covid-19 pada Media Sosial Youtube dengan Metode Naive bayes. Jurnal Sains Komputer & Informatika (J-SAKTI), 807-814.
Nuraini, L. &. (2023). Analisis Sentimen Komentar YouTube pada Video Edukasi Menggunakan Pendekatan Text Mining. Jurnal Ilmiah Informatika dan Komputer (JIK), 97–106.
Rizky, F. A. (2024). Optimasi Klasifikasi Naive Bayes dengan TF-IDF untuk Analisis Sentimen di Media Sosial. urnal Teknologi dan Sistem Informasi (JTSI), 50–58.
Sella Adelia, E. M. (2023). Analisis Sentimen Belajar Programming Pada Media Sosial Youtube Menggunakan Algoritma Klasifikasi Naive Bayes. Journal of Information Technology Ampera, 254-264.
Triana Putri, S. N. (2025). Analisis Sentimen Penggunaan Aplikasi YouTube dengan Metode Naïve Bayes. UNP Journal of Statistics and Data Science,, 60–66.
Yuyun Khanafiyah, D. K. (2025). Analisis Sentimen Komentar Youtube Kanal Dirty Vote Menggunakan Metode Naive Bayes Classifier. e-Proceeding of Engineering , 6723-6728.
