Analisis Pilihan Konsumen Terhadap Samsung S25 Ultra Menggunakan Sentiment Analysis & Topic Modelling
Abstract
Perkembangan teknologi smartphone yang sangat pesat, khususnya fitur kecerdasan buatan (AI) dan inovasi kamera,
telah membawa perubahan signifikan pada perilaku konsumen dalam memilih perangkat elektronik. Penelitian ini
memfokuskan analisis pada preferensi konsumen terhadap Samsung Galaxy S25 Ultra sebagai produk flagship
terbaru yang bersaing ketat dengan merek Tiongkok di pasar Indonesia. Dengan pendekatan kuantitatif deskriptif,
penelitian menggunakan web scraping untuk mengumpulkan 14.533 komentar dari YouTube dan TikTok melalui
YouTube API dan Apify, lalu melakukan analisis sentimen menggunakan model IndoBERTweet, dan pemodelan
topik dengan algoritma BERTopic pada 1.933 komentar terpilih yang telah melalui proses cleaning dan pelabelan
manual oleh tiga penilai. Dataset dibagi dengan rasio 76,5% untuk training, 13,5% untuk validasi, dan 10% untuk
testing. Hasilnya menunjukkan sentimen konsumen yang hampir berimbang antara positif 48% (920 komentar) dan
negatif 52% (1.020 komentar), dengan model mencapai akurasi 82% dan F1-score 0,82 untuk negatif serta 0,81 untuk
positif. Evaluasi detail menunjukkan precision 0,85 (negatif) dan 0,79 (positif), serta recall 0,80 (negatif) dan 0,84
(positif). Topic modeling mengidentifikasi tujuh faktor utama: pada sentimen positif, faktor harga memiliki bobot
tertinggi (328 kemunculan kata kunci "beli"), diikuti kamera (45), software (38), dan inovasi/AI (24); sedangkan pada
sentimen negatif, harga juga mendominasi (139: kombinasi "harga", "mahal", "beli"), diikuti kamera (83), layar (57),
software (39), performa (27), dan desain (22). Konsumen sangat mengapresiasi fitur AI dan kualitas kamera,
meskipun masih memperhatikan harga premium dan stabilitas software sebagai hambatan utama. Temuan ini
menawarkan wawasan penting agar strategi pemasaran dan pengembangan produk Samsung dapat semakin
menyesuaikan dengan kebutuhan dan ekspektasi konsumen di Indonesia.
Kata Kunci: analisis sentimen, topic modeling, preferensi konsumen, Samsung Galaxy S25 Ultra,
IndoBERTweet, BERTopic, media sosial.
References
Damayanti, N. M. (2025). ANALISIS SENTIMEN PUBLIK PADA TAGAR #BTSCOMEBACK DI
PLATFORM X MENGGUNAKAN INDOBERTWEET. Jurnal Informatika Dan Teknik Elektro
Terapan, 13(3). https://doi.org/10.23960/jitet.v13i3.7176
DataReportal. (2025). Digital 2025: Indonesia. DataReportal.
Dawood, H. M., Liew, C. Y., & Lau, T. C. (2021). Mobile perceived trust mediation on the intention and
adoption of FinTech innovations using mobile technology: A systematic literature review.
F1000Research, 10, 1252. https://doi.org/10.12688/f1000research.74656.1
Dinaryanti, R. F., & Indrawati. (2024). Analysis Of Consumer Preferences In Choosing Smartphone
Through User Comments On Youtube. Quality - Access to Success, 25(200), 323–330.
https://doi.org/10.47750/QAS/25.200.34
Direktorat PuTI. (2024). Menguak Potensi Tersembunyi Data Teks dengan Text Mining.
https://surabaya.telkomuniversity.ac.id/menguak-potensi-tersembunyi-data-teks-dengan-textmining/
Dudija, N., Natalia, L., Alamsyah, A., & Romadhony, A. (2022). Identification of Extraversion and
Neuroticism Personality Dimensions Using IndoBERT’s Deep Learning Model. 2022 IEEE
International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology
(IAICT), 155–159. https://doi.org/10.1109/IAICT55358.2022.9887476
Dwicahyo, K., & Indah Ratnasari, C. (2014). Perbandingan Metode Web Scraping Dalam Pengambilan
Data: Kajian Literatur.
Eliya Putri Aprilia, & Didit Darmawan. (2025). Pengaruh Desain Produk terhadap Keputusan Pembelian
Produk Elektronik. MASMAN Master Manajemen, 3(1), 50–61.
https://doi.org/10.59603/masman.v3i1.709
Fatani, I. (2024). Twitter, Instagram, Youtube Speak: Understanding Sentiments on LRT Jabodebek
Services via Inset Lexicon, IndoBERT and BERTopic Approaches. In J. Electrical Systems (Vol. 20,
Issue 4).
Fatihah Rahmadayana, & Yuliant Sibaroni. (2021). Sentiment Analysis of Work from Home Activity using
SVM with Randomized Search Optimization. Jurnal RESTI (Rekayasa Sistem Dan Teknologi
Informasi), 5(5), 936–942. https://doi.org/10.29207/resti.v5i5.3457
Firdaus, A., & Firdaus, W. I. (2021). Text Mining Dan Pola Algoritma Dalam Penyelesaian Masalah
Informasi : (Sebuah Ulasan). In Jurnal JUPITER (Vol. 13, Issue 1).
Fridom Mailo, F., Lazuardi, L., Manajemen dan kebijakan Kesehatan Fakultas Kedokteran, D., Masyarakat
dan Keperawatan Universitas Gadjah Mada, K., Sistem Informasi Manajemen Kesehatan Fakultas
Kedokteran, D., Masyarakat dan Keperawatan, K., & Gadjah Mada, U. (2019). Analisis Sentimen
Data Twitter Menggunakan Metode Text Mining Tentang Masalah Obesitas di Indonesia. In Jurnal
Sistem Informasi Kesehatan Masyarakat Journal of Information Systems for Public Health (Vol. 4,
Issue 1).
Grootendorst, M. (2022). BERTopic: Neural topic modeling with a class-based TF-IDF procedure.
http://arxiv.org/abs/2203.05794
Hermawan, A., Jowensen, I., Junaedi, J., & Edy. (2023a). Implementasi Text-Mining untuk Analisis
Sentimen pada Twitter dengan Algoritma Support Vector Machine. JST (Jurnal Sains Dan
Teknologi), 12(1), 129–137. https://doi.org/10.23887/jstundiksha.v12i1.52358
Hermawan, A., Jowensen, I., Junaedi, J., & Edy. (2023b). Implementasi Text-Mining untuk Analisis
Sentimen pada Twitter dengan Algoritma Support Vector Machine. JST (Jurnal Sains Dan
Teknologi), 12(1), 129–137. https://doi.org/10.23887/jstundiksha.v12i1.52358
IDC. (2024). Indonesia’s Smartphone Market Starts the Year with a Strong 27.4% Growth in 1Q24. IDC.
Igiriza, M. ’, Rahmatullah, T., Zaeni, R., Syam, A., & Ruqayah, F. (2025). Keterampilan Literasi Digital
dalam Pemanfaatan Big Data Demi Terwujudnya Masyarakat Pengetahuan. 16(1), 55–68.
https://doi.org/10.20885/unilib.Vol16.iss1.art5
Indrawati, Ghassani, U. H., & Amani, H. (2018). Measuring smart education readiness index: A bandung
perspective. ACM International Conference Proceeding Series, 199–203.
