Keywords
Analisis Sentimen
Rasio Data Uji
SVM
TextBlob
How to Cite
Abstract
Analisis sentimen, sebagai salah satu cabang penting dalam Natural Language Processing (NLP), bertujuan untuk mengidentifikasi, mengekstrak, dan memahami opini atau emosi yang tersirat dalam data teks. Penelitian ini secara spesifik berfokus pada analisis sentimen komentar pengguna yang terdapat pada satu video YouTube (Video ID: gp8JOmHEfos) yang mengulas produk laptop Advan WorkPlus. Dalam implementasinya, penelitian ini mengandalkan leksikon TextBlob untuk proses pelabelan sentimen awal dan menggunakan algoritma Support Vector Machine (SVM) sebagai model klasifikasi. Tujuan utama dari penelitian ini adalah untuk mengevaluasi secara komparatif performa akurasi model SVM dengan menerapkan variasi pada rasio pembagian data latih dan data uji. Tiga skenario rasio yang diuji meliputi data uji sebesar 10%, 20%, dan 30%. Berdasarkan hasil eksperimen yang dilakukan, akurasi tertinggi yang berhasil dicapai adalah 72,00% ketika menggunakan rasio data uji 10%. Terlihat pola penurunan akurasi seiring dengan peningkatan persentase data uji, di mana akurasi menjadi 66,00% untuk data uji 20% dan 64,00% untuk data uji 30%. Temuan ini secara konsisten mengindikasikan bahwa ketersediaan pengujian data latih yang lebih besar memiliki korelasi positif terhadap peningkatan performa akurasi model dalam konteks analisis sentimen yang memanfaatkan kombinasi TextBlob dan SVM.
References
[1] S. Thomas, Yuliana, dan Noviyanti. P, “Study Analisis Metode Analisis Sentimen pada YouTube,” J. Inf. Technol., vol. 1, no. 1, hal. 1–7, 2021, doi: 10.46229/jifotech.v1i1.201.
[2] A. Ramadhanu, R. Ayu Mahessya, M. Raihan Zaky, M. Isra, S. Informasi, dan U. Putra Indonesia YPTK Padang, “Penerapan Teknologi Machine Learning Dengan Metode Vader Pada Aplikasi Sentimen Tamu Di Hotel Dymens,” JOISIE J. Inf. Syst. Informatics Eng., vol. 7, no. 1, hal. 165–173, 2023.
[3] Styawati, Andi Nurkholis, Zaenal Abidin, dan Heni Sulistiani, “Optimasi Parameter Support Vector Machine Berbasis Algoritma Firefly Pada Data Opini Film,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 5, hal. 904–910, 2021, doi: 10.29207/resti.v5i5.3380.
[4] A. Setiawan, Analisis Sentimen Masyarakat di Twitter terhadap Kejadian Bom Bunuh Diri Polsek Astana Anyar Menggunakan Algoritma SVM dengan Leksikon Vader dan Inset. 2024.
[5] L. Kurniasari, A. E. Cahyono, and H. L. H. Putri, “Analisis Sentimen Masyarakat terhadap Komentar Film ‘Tilik’ pada Media Sosial Twitter Menggunakan Metode Support Vector Machine (SVM),” Jurnal Sisfotek Global, vol. 11, no. 1, pp. 100–106, 2021.
[6] Y. W. H. Harahap and T. R. Widyawati, “Analisis Sentimen Ulasan Pengguna Aplikasi Mobile JKN Menggunakan TextBlob dan Naïve Bayes Classifier,” Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, vol. 8, no. 1, pp. 23–32, 2022.
[7] K. A. Putri, A. T. Wibowo, and I. Mukhlash, “Analisis Sentimen Komentar Film Bioskop Menggunakan Naive Bayes Classifier dan Lexicon Based,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 10, pp. 3855–3862, 2020.
[8] H. Suhartono, R. M. N. Rachman, and E. M. S., “Analisis Sentimen Komentar Pengguna Youtube dengan Metode Naive Bayes dan Lexicon Based Approach,” Jurnal Komputer Terapan, vol. 8, no. 2, pp. 91–101, 2022.
[9] K. A. Putri, A. T. Wibowo, and I. Mukhlash, “Analisis Sentimen Komentar Film Bioskop Menggunakan Naive Bayes Classifier dan Lexicon Based,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 10, pp. 3855–3862, 2020.
[10] F. Fardiansyah and M. N. K. Putra, “Analisis Sentimen Tingkat Kepuasan Pelanggan Indihome Menggunakan Algoritma Support Vector Machine (SVM),” Jurnal Ilmiah Informatika Global, vol. 12, no. 2, pp. 143–150, 2021.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Fredi Wijaya, Risky Aswi Ramadhani, Ahmad Bagus Setiawan