Analisis Sentimen pada Komentar YouTube terkait Pembahasan eSIM Menggunakan Metode Naive Bayes dan Random Forest

Angga Ardiansyah, Candra Agustina, Ina Maryani, Denny Pribadi

Abstract


Perkembangan teknologi komunikasi digital telah melahirkan inovasi baru seperti embedded SIM (eSIM), yang menawarkan kemudahan dalam pengelolaan identitas pelanggan seluler tanpa kartu fisik. Seiring meningkatnya adopsi teknologi ini, YouTube menjadi salah satu media diskusi publik yang ramai membahas eSIM melalui kolom komentar. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap layanan eSIM berdasarkan komentar-komentar di video YouTube. Dengan menggunakan algoritma klasifikasi Naive Bayes dan Random Forest, sebanyak 324 komentar dikategorikan menjadi opini positif dan negatif. Proses penelitian mencakup tahapan pengumpulan data melalui teknik scraping, preprocessing teks, serta evaluasi model menggunakan metrik akurasi, presisi, recall, dan AUC. Hasil menunjukkan bahwa algoritma Naive Bayes mampu mencapai akurasi sebesar 98,52% dengan presisi tinggi terutama pada kelas negatif. Sementara itu, Random Forest menghasilkan akurasi lebih tinggi sebesar 99,69% dengan nilai AUC sempurna sebesar 1.000, mencerminkan performa optimal dalam membedakan sentimen komentar. Temuan ini menegaskan bahwa kedua algoritma efektif dalam klasifikasi sentimen teks, dengan Random Forest menunjukkan keunggulan performa. Penelitian ini dapat menjadi referensi bagi pengembangan analisis opini publik secara digital serta pemanfaatan machine learning dalam pemrosesan bahasa alami.

               

Kata kunci: Analisis Sentimen, Youtube, eSIM

 

Abstract (10pt, italic, tebal, dan ditengah)

 

The advancement of digital communication technologies has introduced new innovations such as the embedded SIM (eSIM), which provides users with flexibility in managing their mobile identity without the need for a physical SIM card. As the adoption of this technology increases, YouTube has become a prominent platform where public discussions regarding eSIM occur through comment sections. This study aims to analyze public sentiment towards eSIM services based on comments posted on YouTube videos. Utilizing the Naive Bayes and Random Forest classification algorithms, a total of 324 comments were categorized into positive and negative sentiments. The research process involved data collection through web scraping, text preprocessing, and model evaluation using metrics such as accuracy, precision, recall, and AUC. The results show that the Naive Bayes algorithm achieved an accuracy of 98.52%, with particularly high precision for the negative class. Meanwhile, the Random Forest algorithm yielded even higher accuracy at 99.69%, with a perfect AUC score of 1.000, indicating outstanding performance in distinguishing between sentiment classes. These findings affirm the effectiveness of both algorithms in sentiment text classification, with Random Forest demonstrating superior performance. This research contributes as a reference for further applications of public opinion analysis in digital media and the implementation of machine learning in natural language processing.

Keywords: Sentiment Analysis, Youtube, eSIM


Full Text:

PDF

References


Adil, A., Liana, Y., Mayasari, R., Lamonge, A. S., Ristiyana, R., Saputri, F. R., Jayatmi, I., Satria, E. B., Permana, A. A., Rohman, Moh. M., Arta, D. N. C., Bani, M. D., Bani, G. A., Haslinah, A., & Wijoyo, E. B. (2023). METODE PENELITIAN KUANTITATIF DAN KUALITATIF : TEORI DAN PRAKTIK (N. Sulung & R. M. Sahara, Ed.). GET PRESS INDONESIA. https://www.researchgate.net/profile/Moh-Rohman-3/publication/377329440_METODE_PENELITIAN_KUANTITATIF_DAN_KUALITATIF_TEORI_DAN_PRAKTIK_GET_PRESS_INDONESIA/links/65a0309740ce1c5902d51bc9/METODE-PENELITIAN-KUANTITATIF-DAN-KUALITATIF-TEORI-DAN-PRAKTIK-GET-PRESS-INDONESIA.pdf

Adli, M. A., & Firgia, L. (2018). Rancang Bangun Web Scraping Pada Media Online Berita Nasional. ENTER, 1(1), 118–128. https://doi.org/10.30700/.V1I1.800

Harahap, S. M., & Kurniawan, R. (2024). Analisis Sentimen Komentar Youtube Terhadap Food Vlogger Dengan Menggunakan Metode Naïve Bayes. MEANS (Media Informasi Analisa dan Sistem), 87–96. https://doi.org/10.54367/MEANS.V9I1.3912

Hermawan, L., & Ismiati, M. B. (2020). Pembelajaran Text Preprocessing berbasis Simulator Untuk Mata Kuliah Information Retrieval. TRANSFORMATIKA, 17(2), 188–199. https://core.ac.uk/download/pdf/287196426.pdf

Indrayuni, E. (2016). Analisa Sentimen Review Hotel Menggunakan Algoritma Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Evolusi, 4(2). www.tripadvisor.com.

Krishnan, P., Jain, K., Poojara, S. R., Srirama, S. N., Pandey, T., & Buyya, R. (2024). eSIM and blockchain integrated secure zero-touch provisioning for autonomous cellular-IoTs in 5G networks. Computer Communications, 216, 324–345. https://doi.org/10.1016/J.COMCOM.2023.12.023

Larasati, F. A., Ratnawati, D. E., & Hanggara, B. T. (2022). Analisis Sentimen Ulasan Aplikasi Dana dengan Metode Random Forest. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 6(9), 4305–4313. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/11562

Merdiansah, R., Siska, S., & Ridha, A. A. (2024). Analisis Sentimen Pengguna X Indonesia Terkait Kendaraan Listrik Menggunakan IndoBERT. Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), 7(1), 221–228. https://doi.org/10.55338/JIKOMSI.V7I1.2895

Misrun, C. A., Haerani, E., Fikry, M., & Budianita, E. (2023). Analisis sentimen komentar youtube terhadap Anies Baswedan sebagai bakal calon presiden 2024 menggunakan metode naive bayes classifier. Jurnal CoSciTech (Computer Science and Information Technology), 4(1), 207–215. https://doi.org/10.37859/COSCITECH.V4I1.4790

Musu, W., Ibrahim, A., & Heriadi, H. (2021). Pengaruh Komposisi Data Training dan Testing terhadap Akurasi Algoritma C4.5. SISITI : Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, 10(1), 186–195. https://doi.org/10.36774/SISITI.V10I1.802

PANGESTU, A. A., & SUMARNO, S. (2023). ANALISIS JANGKAUAN JARINGAN SELULER DI INDONESIA. FTSP Series : Seminar Nasional dan Diseminasi Tugas Akhir 2023, 272–277. https://eproceeding.itenas.ac.id/index.php/ftsp/article/view/1848/1593

Pebdika, A., Herdiana, R., & Solihudin, D. (2023). KLASIFIKASI MENGGUNAKAN METODE NAIVE BAYES UNTUK MENENTUKAN CALON PENERIMA PIP. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 452–458. https://doi.org/10.36040/JATI.V7I1.6303

Rianto, M., & Yunis, R. (2021). Analisis Runtun Waktu Untuk Memprediksi Jumlah Mahasiswa Baru Dengan Model Random Forest. Paradigma, 23(1). https://doi.org/10.31294/p.v23i1.9781

Sarrang, J. B., Zuhdi, A., & Ariwibowo, A. B. (2024). Sentiment Analysis from Twitter Regarding E-SIM Services by Smartfren Using the Naïve Bayes Classifier Method. Intelmatics, 4(1), 38–41. https://doi.org/10.25105/ITM.V4I1.17620

Udayana, I. P. A. E. D., Sudipa, I. G. I., & Risaldi, R. (2022). Sentimen Analisis Inisiatif Vaksin Nasional Menggunakan Naïve Bayes dan Laplacian Smoothing Pada Komentar Video Youtube. Jurnal RESISTOR (Rekayasa Sistem Komputer), 5(2), 116–126. https://doi.org/10.31598/JURNALRESISTOR.V5I2.1108




DOI: https://doi.org/10.31294/ijse.v11i1.26180

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

ISSN : 2714-9935 


Published by LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450


This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License