ANALISIS SENTIMEN KOMENTAR YOUTUBE TERHADAP ISU KESEHATAN MENTAL MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN)

Nur Hayati; Suryandika Tri Nowo; Bambang Suhardi; Rika Rosnelly

doi:10.46576/syntax.v6i1.6060

ANALISIS SENTIMEN KOMENTAR YOUTUBE TERHADAP ISU KESEHATAN MENTAL MENGGUNAKAN ALGORITMA NAÏVE BAYES DAN K-NEAREST NEIGHBOR (KNN)

Nur Hayati, Suryandika Tri Nowo, Bambang Suhardi, Rika Rosnelly

Abstract

Kesehatan mental merupakan salah satu isu yang semakin mendapat perhatian di seluruh dunia. Masalah kesehatan mental sering kali diabaikan, namun dampaknya dapat merusak kualitas hidup individu dan masyarakat secara keseluruhan. Faktor lain yang mempengaruhi upaya penyuluhan kesehatan mental adalah pemahaman yang kurang baik dan kesadaran yang rendah tentang kesehatan mental. Dari penjelasan permasalahan tersebut maka perlu adanya analisis sentimen untuk mengetahui opini masyarakat terhadap kesehatan mental di media sosial youtube. Analisis sentimen merupakan suatu proses untuk memahami emosi atau sentimen dari suatu teks yang ditulis oleh pengguna baik berupa sentimen positif, netral ataupun negatif. Proses pengambilan dataset dilakukan mengunakan platform Google Colab untuk crawling data dan terkumpul sekitar 2.703 komentar. Setelah dilakukan proses cleaning dan preprocessing jumlah data yang tersisa adalah sebanyak 1700. Metode yang digunakan pada penelitian ini menggunakan algoritma Naïve Bayes dan K-Nearest Neighbor (k-NN). Dalam penelitian ini, dua metode yang digunakan yaitu pelabelan manual dan pelabelan otomatis menggunakan tools RapidMiner. Pada tahap pertama, pelabelan manual dilakukan pada 305 data menghasilkan nilai akurasi 95% untuk algoritma Naïve Bayes dan nilai akurasi 85.88% untuk algoritma k-NN. Pada tahap kedua, pelabelan otomatis digunakan dengan data latih sebanyak 305 data dan data uji 1.395 data menghasilkan nilai akurasi 68.01% untuk algoritma Naïve Bayes dan nilai akurasi 48.97% untuk algoritma k-NN. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes memiliki akurasi yang lebih tinggi dibandingkan dengan algoritma K-Nearest Neighbor dalam mengklasifikasikan sentimen dari komentar YouTube terkait isu kesehatan mental.

Full Text:

PDF (Bahasa Indonesia)

References

D. V. Fakhriyani, “Kesehatan Mental,” 2019. [Online]. Available: https://www.researchgate.net/publication/348819060

World Health Organization (WHO), “Transforming mental health for all,” Geneva, 2022.

Kementerian Kesehatan RI, “Laporan Riskesdas 2018 Nasional,” Jakarta, 2018.

H. Hidayat, F. Santoso, and L. F. Lidimillah, “Analisis Sentimen Pengguna YouTube Tentang Rohingya Menggunakan Algoritma SVM (Support Vector Machine),” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 3, pp. 1729–1738, Jul. 2024, doi: 10.33379/gtech.v8i3.4497.

N. Satya Marga, A. Rahman Isnain, and D. Alita, “Jurnal Informatika dan Rekayasa Perangkat Lunak (JATIKA),” Abstrak, vol. 453, no. 4, pp. 453–463, 2021, [Online]. Available: http://jim.teknokrat.ac.id/index.php/informatika

A. Rajput, “Natural language processing, sentiment analysis, and clinical analytics,” in Innovation in Health Informatics: A Smart Healthcare Primer, Elsevier, 2019, pp. 79–97. doi: 10.1016/B978-0-12-819043-2.00003-4.

M. Faid, M. Jasri, and T. Rahmawati, “Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi,” Teknika, vol. 8, no. 1, pp. 11–16, Jun. 2019, doi: 10.34148/teknika.v8i1.95.

M. Langgeng Wicaksono and D. Apriana, “ANALISIS SENTIMEN KESEHATAN MENTAL MENGGUNAKAN K-NEAREST NEIGHBORS PADA SOSIAL MEDIA TWITTER,” 2022.

K. Yan, D. Arisandi, and ) Tony, “Jurnal Ilmu Komputer dan Sistem Informasi ANALISIS SENTIMEN KOMENTAR NETIZEN TWITTER TERHADAP KESEHATAN MENTAL MASYARAKAT INDONESIA.”

M. Daffa, A. Fahreza, A. Luthfiarta, M. Rafid, M. Indrawan, and A. Nugraha, “Analisis Sentimen: Pengaruh Jam Kerja Terhadap Kesehatan Mental Generasi Z,” JOURNAL OF APPLIED COMPUTER SCIENCE AND TECHNOLOGY (JACOST), vol. 5, no. 1, pp. 2723–1453, 2024, doi: 10.52158/jacost.715.

Syahril Dwi Prasetyo, Shofa Shofiah Hilabi, and Fitri Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” Jurnal KomtekInfo, pp. 1–7, Jan. 2023, doi: 10.35134/komtekinfo.v10i1.330.

F. M. Delta Maharani, A. Lia Hananto, S. Shofia Hilabi, F. Nur Apriani, A. Hananto, and B. Huda, “Perbandingan Metode Klasifikasi Sentimen Analisis Penggunaan E-Wallet Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor,” METIK JURNAL, vol. 6, no. 2, pp. 97–103, Dec. 2022, doi: 10.47002/metik.v6i2.372.

K. Baru Badan Penyelenggara Jaminan Kesehatan Sosial Menggunakan Naïve Bayes Muhamad Taufik Sugandi and U. Hayati, “Jurnal Informatika dan Rekayasa Perangkat Lunak Analisis Sentimen Komentar Pengguna Youtube terhadap”.

K. L. Tan, C. P. Lee, and K. M. Lim, “A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research,” Apr. 01, 2023, MDPI. doi: 10.3390/app13074550.

S. Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti et al., “Terakreditasi SINTA Peringkat 2 Perbandingan Metode Klasifikasi Analisis Sentimen Tokoh Politik Pada Komentar Media Berita Online,” masa berlaku mulai, vol. 1, no. 3, pp. 176–183, 2017.

J. W. Iskandar and Y. Nataliani, “Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 6, pp. 1120–1126, Dec. 2021, doi: 10.29207/resti.v5i6.3588.

M. Windarti and A. Suradi, “PERBANDINGAN KINERJA 6 ALGORITME KLASIFIKASI DATA MINING UNTUK PREDIKSI MASA STUDI MAHASISWA,” 2019.

A. A. Pratiwi and M. Kamayani, “Perbandingan Pelabelan Data dalam Analisis Sentimen Kurikulum Proyek di platform TikTok: Pendekatan Naïve Bayes,” Jurnal Eksplora Informatika, vol. 14, no. 1, pp. 96–107, Sep. 2024, doi: 10.30864/eksplora.v14i1.1093.

DOI: https://doi.org/10.46576/syntax.v6i1.6060