Analisis Sentimen Komentar Youtube Tentang Terpilihnya Menteri Kabinet Indonesia Maju Menggunakan Lexicon Based

Gupta Sanjaya, Kemas Muslim Lhaksmana

Abstract

Abstrak
YouTube merupakan situs web sharing video nomor satu di dunia dengan total lalu lintas
pengunjung daring sebesar 1,7 milyar setiap bulannya (25 Juni 2019). Belum lama ini
YouTube Indonesia sedang ramai oleh video-video pelantikan calon-calon menteri Kabinet
Indonesia Maju Jokowi-Ma’ruf. Terdapat 3 channel berita terbesar di YouTube Indonesia
yang menayangkan video tentang pelantikan menteri Kabinet Indonesia Maju JokowiMa’ruf. Komentar dari video yang diunggah mencapai jumlah masing-masing 1,3 juta, 693
ribu, dan 1,2 juta. Dari sekian banyak komentar yang ada kita dapat mengambil sentimen
dari masyarakat, khususnya warganet, tentang bagaimana pendapat mereka tentang
pelantikan calon-calon menteri Kabinet Indonesia Maju Jokowi-Ma’ruf, apakah cenderung
positif, negatif, atau bahkan netral. Metode yang digunakan adalah Analisis Sentimen
menggunakan pendekatan leksikon (lexicon based). Terdapat 2 kamus yang digunakan pada
tahap ekstraksi fitur yaitu SentiWordNet dan sentiment lexicon Indonesia. Hasil prediksi
sistem menunjukkan bahwa mayoritas warganet pengguna situs YouTube cenderung positif
dengan hasil pelantikan menteri Kabinet Indonesia maju dengan data komentar positif
terklasifikasi sebanyak 2377 data, komentar netral sebanyak 2261 data, dan komentar negatif
sebanyak 725 data. Dari hasil pengujian sistem didapati bahwa ekstraksi fitur menggunakan
sentiment lexicon Indonesia lebih baik dibandingkan dengan SentiWordNet. Hal tersebut
dapat dilihat dari nilai F-measure sentimen lexicon Indonesia lebih tinggi dari SentiWordNet
yaitu sebesar 0.598 dibandingkan dengan SentiWordNet yang hanya memperoleh nilai
sebesar 0.413. Selain itu sentiment lexicon Indonesia mendapatkan nilai precision dan recall
berturut-turut sebesar 0.607 dan 0.590 sedangkan SentiWordNet hanya memperoleh nilai
precision dan recall berturut-turut sebesar 0.501 dan 0.351.
Kata kunci : Youtube, Analisis Sentimen, Lexicon Based
_______________________________________________________________________________
Abstract
YouTube is the number one video sharing website in the world with a total of 1.7 billion online
visitors each month (June 25, 2019). Recently, YouTube Indonesia was busy with videos of the
inauguration of Indonesian Cabinet ministers, Jokowi-Ma'ruf. There are 3 biggest news
channels on YouTube Indonesia that show videos about the inauguration of the Indonesian
Cabinet minister Maju Jokowi-Ma’ruf. Comments from the uploaded videos reached 1.3
million, 693 thousand and 1.2 million respectively. From the many comments that we can take
the sentiment from the public, especially citizens, about how they think about the inauguration
of prospective ministers of the Indonesian Cabinet Forward Jokowi-Ma'ruf, whether it tends
to be positive, negative, or even neutral. The method used is Sentiment Analysis using the
lexicon based approach. There are 2 dictionaries used at the feature extraction stage, namely
SentiWordNet and Sentiment Lexicon Indonesia. The results of the system's prediction show
that the majority of netizens who use the YouTube site tend to be positive with the results of
the inauguration of Indonesian Cabinet ministers going forward with 2377 classified positive
comments, 2261 neutral comments, and 725 negative comments. From the system test results,
it was found that feature extraction using the Indonesian lexicon sentiment was better than
SentiWordNet. This can be seen from the F-measure value of sentiment lexicon Indonesia
which is higher than SentiWordNet, which is 0.598 compared to SentiWordNet which only
obtained a value of 0.413. In addition, the Indonesian Lexicon sentiment received precision
and recall values of 0.607 and 0.590 respectively, while SentiWordNet only received precision
and recall values of 0.501 and 0.351, respectively.
Keywords: Youtube, Sentiment Analysis, Lexicon Based, SentiWordNet, Sentiment Lexicon
Indonesia

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0