Analisis Sentimen Komentar YouTube terhadap Tragedi Demo 25 Agustus Menggunakan Pendekatan Lexicon-Based
DOI:
https://doi.org/10.35473/jamastika.v4i2.4525Abstract
Penelitian ini bertujuan untuk mengidentifikasi sentimen publik terhadap Tragedi Demo 25 Agustus 2025 melalui komentar pengguna YouTube dengan pendekatan lexicon-based. Demonstrasi tersebut memicu gelombang reaksi emosional yang terekam dalam ribuan komentar digital, menjadikan YouTube sebagai sumber data sosial yang kaya. Metode penelitian yang digunakan adalah kuantitatif deskriptif dengan lima tahapan utama: pengumpulan data, pra-pemrosesan, analisis sentimen, visualisasi hasil, dan validasi klasifikasi. Komentar dianalisis menggunakan kamus InSet untuk menentukan polaritas sentimen. Hasil klasifikasi menunjukkan dominasi sentimen negatif sebesar 76,2%, yang mencerminkan kekecewaan, kemarahan, dan kritik terhadap pihak-pihak yang dianggap bertanggung jawab. Visualisasi data dilakukan melalui grafik batang, diagram lingkaran, dan word cloud untuk mengidentifikasi topik dominan seperti isu sosial, lingkungan, dan ekonomi. Temuan ini menunjukkan bahwa media sosial, khususnya YouTube, berfungsi sebagai ruang artikulasi emosi kolektif dan kontrol sosial digital. Analisis sentimen terbukti relevan sebagai indikator awal potensi instabilitas sosial dan dapat dimanfaatkan oleh pemerintah serta lembaga masyarakat sipil untuk merespons arah opini publik secara komputasional.
Kata Kunci: Sentimen publik, Lexicon-Based, YouTube, Tragedi Demo, Analisis Komputasional
This study aims to identify public sentiment toward the August 25, 2025 demonstration tragedy through YouTube user comments using a lexicon-based approach. The demonstration triggered a wave of emotional reactions captured in thousands of digital comments, positioning YouTube as a rich source of social data. A descriptive quantitative method was employed, consisting of five main stages: data collection, preprocessing, sentiment analysis, result visualization, and classification validation. Comments were analyzed using the Indonesian Sentiment Lexicon (InSet) to determine sentiment polarity. The classification results revealed a dominance of negative sentiment at 76.2%, reflecting disappointment, anger, and criticism toward parties deemed responsible. Data visualization included bar charts, pie diagrams, and word clouds to identify dominant themes such as social, environmental, and economic issues. These findings demonstrate that social media, particularly YouTube, serves not only as an information platform but also as a space for collective emotional articulation and digital social control. Sentiment analysis proves to be a relevant early warning tool for detecting potential social instability and can be utilized by government and civil society institutions to respond to public opinion computationally.
Keywords: Public sentiment, Lexicon-Based, YouTube, Demonstration Tragedy, Computational Analysis
References
Lestari, D. W. P., Perdana, R. S., & Adikara, P. P (2019). Klasifikasi video clickbait pada YouTube berdasarkan analisis sentiment komentar menggunakan Learning Vector Quantization (LVQ) dan Lexicon-Based Features. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(2), 1184-1189. http://j-ptiik.ub.ac.id.
Ismail, A. R., & Hakim, R. B. F. (2023). Implementasi Lexicon Based untuk analisis sentiment dalam mengetahui trend wisata Pantai di DI Yogyakarta berdasarkan data twiter. Emerging Statistic and Data Science Journal, 1(1), 37-46.
Wirakarsa, L., Angdresey, A., & Kapantow, J. D. (2022). Implementasi metode Navie Bayes dan Lexicon-Based approach untuk mengkalsifikasi sentiment netizen pada tweet berbahasa Indonesia. Jurnal Ilmiah Realtech, 18(1), 15-23.
Wiswasta, I. G. N. A., Sukamerta, I. M., Wedagama, D. M., & Agung, I. G. A. A. (2017). Metode Penelitian dan Analisis Statistik Kuantitatif Deskriptif. UNMAS press.
Wahyuni, D., Fadhillah, N., & Ariestya, W. W. (2024). Metode Long Short-Term Memory dan Lexicon Based untuk analisis sentiment ulasan aplikasi TikTok. Jurnal Ilmiah KOMPUTASI, 23(2), 173-189. https://doi.org/10.32409/jikstik.23.2.3579.
Nurillah, R. A. S., Imrona, M., & Alamsyah, A. (2021). Prediksi pola penyebaran penyakit DBD di Kota Pagar Alam menggunakan Long Short-Term Memory (LSTM). eProceedings of Engineering, 8(1), 867-882. http://openlibrary.telkomuniversity.ac.id.
Koto, F., & Rahmaningtyas, G. Y. (2017, December). InSet Lexicon: Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs. Paper presented at the 2017 International Conference on Asian Language Processing (IALP). IEEE. https://doi.org/10.1109/IALP.2017.8300625.
Irmayani, W. (2024). Persepsi public terhadap kenaikan PPN 12%: Pendekatan sentiment pada komentar YouTube. Universitas Bina Sarana Informatika. https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/download/24740/6737
Pang, B., & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.
Liu, B. (2012). Sentiment analysis and opinion mining. Morgan & Claypool Publishers. https://www.cs.uic.edu/~liub/FBS/SentimentAnalysis-and-OpinionMining.pdf.
Rahayu, A., & Prabowo, M. A. (2021). Analisis sentiment publik di twitter terhadap pelantikan presiden. Jurnal NERO, Universitas Trunojoyo Madura. https://journal.trunojoyo.ac.id/nero/article/download/28701/10962
Prasetyo, A., Putri, E., & Rahayu, U. S. (2022). Ujaran kebencian melalui komentar Instagram sebagai kekerasan politik. Jurnal ISIP: Jurnal Ilmu Sosial dan Ilmu Politik, 21(1), 45–65. https://jisip.jurnaliisipjakarta.id/index.php/jisip/article/download/313/51
Suryani, S., Listyawati, A., & Hakim, F. N. (2022). Kearifan lokal masyarakat Desa Lereng Merapi dalam upaya mitigasi bencana erupsi. Sosio Konsepsia: Jurnal Penelitian dan Pengembangan Kesejahteraan Sosial, 11(3). https://ejournal.kemensos.go.id/index.php/jsk/issue/view/233.
Fitriani, K. E., Faisal, M. R., Mazdadi, M. I., Indriani, F., Nugrahadi, D. T., & Prastya, S. E. (2025). Enhancing natural disaster monitoring: A deep learning approach to social media analysis using Indonesian BERT variants. Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics.
