Analisis Sentimen menggunakan Algoritma Machine Learning terhadap Isu Gencatan Senjata Iran-Trump di YouTube

Penulis

DOI:

https://doi.org/10.46576/device.v7i1.9042

Kata Kunci:

Analisis Sentimen, Machine Learning, SVM, RoBERTa, Opini Publik

Abstrak

Penelitian ini bertujuan untuk mengklasifikasikan sentimen publik di platform YouTube terkait isu gencatan senjata antara Iran dan mantan Presiden Amerika Serikat, Donald Trump. Dataset yang diambil dari komentar YouTube berjumlah 2000 dianalisis dan menghasilkan 576 data uji dengan distribusi sentimen yang tidak seimbang, pelabelan dataset menggunakan RoBERTa dengan 2 (dua) kelas, yaitu 428 label negatif, 114 netral, dan 34 positif. Ekstraksi fitur menggunakan pendekatan Bag-of-Words kombinasi unigram dan bigram untuk melatih algoritma machine learning, dengan fokus pada komparasi Support Vector Machine (SVM) dan Naïve Bayes. Hasil pengujian secara numerik menunjukkan bahwa Naïve Bayes memperoleh akurasi lebih tinggi sebesar 78.6% dengan skor macro F1 sebesar 0.503 akibat bias pada kelas mayoritas, sedangkan untuk SVM menghasilkan akurasi sebesar 74% dengan macro F1 mencapai 0.539. Penelitian ini berhasil mengimplementasikan model dengan baik meskipun Naïve Bayes unggul dalam akurasi umum karena dominasi data bersentimen negatif, SVM terbukti lebih seimbang dalam memetakan polarisasi sentimen publik yang kompleks di media sosial.

Referensi

Aftab, F., Bazai, S. U., Marjan, S., Baloch, L., Aslam, S., Amphawan, A., & Neo, T. K. (2023). A Comprehensive Survey on Sentiment Analysis Techniques. International Journal of Technology, 14(6), 1288–1298. https://doi.org/10.14716/IJTECH.V14I6.6632

Arsi, P., Kusuma, B. A., & Nurhakim, A. (2021). Analisis Sentimen Pindah Ibu Kota Berbasis Naive Bayes Classifier. Jurnal Informatika Upgris, 7(1). https://doi.org/10.26877/JIU.V7I1.7636

Iedwan, A. S., Mauliza, N., Pristyanto, Y., Hartanto, A. D., & Rohman, A. N. (2024). Comparative Performance of SVM and Multinomial Naïve Bayes in Sentiment Analysis of the Film “Dirty Vote.” Scientific Journal of Informatics, 11(3), 839–848. https://doi.org/10.15294/sji.v11i3.10290

Jamil, M., Hadiyanto, H., & Sanjaya, R. (2024). Sentiment Analysis: Classifying Public Comments on YouTube in Disaster Management Simulation in Indonesia Using Naïve Bayes and Support Vector Machine. Ingenierie Des Systemes d’Information, 29(2), 437–446. https://doi.org/10.18280/ISI.290205

Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., Stoyanov, V., & Allen, P. G. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. https://arxiv.org/pdf/1907.11692

Mahfudza, N., & Ihksan, M. (2025). Sentiment Analysis of Youtube Comments on Indonesian Presidential Candidates in 2024 using Naïve Bayes Classifier. JURIKOM (Jurnal Riset Komputer), 12(2), 140–148. https://doi.org/10.30865/jurikom.v12i2.8538

Mehta, T., & Deshmukh, G. (2022). YouTube Ad View Sentiment Analysis using Deep Learning and Machine Learning. International Journal of Computer Applications, 184(11), 10–14. https://doi.org/10.5120/ijca2022922078

Moro, S., & Rita, P. (2022). Data and text mining from online reviews: An automatic literature analysis. In Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery (Vol. 12, Number 3). John Wiley and Sons Inc. https://doi.org/10.1002/widm.1448

Muhammad Mutawakkil Alallah, Mokhammad Amin Hariyadi, Triyo Supriyatno, & Riana, E. (2026). Implementasi BERT dan IndoRoBERTa untuk Klasifikasi Sentimen Opini Publik tentang Kecerdasan Buatan dalam Pendidikan di YouTube. JURIKOM (Jurnal Riset Komputer), 13(2), 666–678. https://doi.org/10.30865/jurikom.v13i2.9697

Nur, A., Saputra, A., Saputro, R. E., & Saputra, S. (2025). Enhancing Sentiment Analysis Accuracy Using SVM and Slang Word Normalization on YouTube Comments. Sinkron : Jurnal Dan Penelitian Teknik Informatika, 9(2), 687–699. https://doi.org/10.33395/SINKRON.V9I2.14613

Rahman, A., Rahmat, F., Fariqi, M. Y., & Adi, S. (2020). Naive Bayes Method to Analyze Sentiment Accuracy on YouTube Comments. Jurnal EECCIS (Electrics, Electronics, Communications, Controls, Informatics, Systems), 14(1), 31–34. https://doi.org/10.21776/JEECCIS.V14I1.627

Rajesh Kanna, P., & Santhi, P. (2021). Unified Deep Learning approach for Efficient Intrusion Detection System using Integrated Spatial–Temporal Features. Knowledge-Based Systems, 226, 107132. https://doi.org/10.1016/J.KNOSYS.2021.107132

Susanti, E., Maimunah, M., & Nugroho, S. (2025). Sentiment Analysis of YouTube Comments Using Machine Learning Models. PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic, 13(1), 103–114. https://doi.org/10.33558/PIKSEL.V13I1.10743

Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 5731–5780. https://doi.org/10.1007/s10462-022-10144-1

Yadav, J. (2023). Sentiment Analysis on Social Media. https://doi.org/10.32388/YF9X04

Unduhan

Diterbitkan

2026-06-09

Terbitan

Vol 7 No 1: JUNI 2026

Bagian

ARTIKEL VOL. 7 NO. 1 2026

Lisensi

Penulis yang naskahnya diterbitkan menyetujui ketentuan sebagai berikut:

  1. Hak publikasi atas semua materi naskah jurnal yang diterbitkan/dipublikasikan dalam jurnal ini dipegang oleh dewan redaksi dengan sepengetahuan penulis (hak moral tetap milik penulis naskah).
  2. Ketentuan legal formal untuk akses artikel digital jurnal elektronik ini tunduk pada ketentuan lisensi Creative Commons Attribution-ShareAlike (CC BY), yang berarti  Jurnal Device berhak menyimpan, mengalih media/format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan artikel tanpa meminta izin dari Penulis selama tetap mencantumkan nama Penulis sebagai pemilik Hak Cipta.
  3. Naskah yang diterbitkan/dipublikasikan secara cetak dan elektronik bersifat open access untuk tujuan pendidikan, penelitian, dan perpustakaan. Selain tujuan tersebut, dewan redaksi tidak bertanggung jawab atas pelanggaran terhadap hukum hak cipta.