Analisis Sentimen Komentar Youtube terhadap Kasus Dugaan Korupsi Migas Menggunakan Algoritma Support Vector Machine (SVM)

Dion Bona Torang Sinaga; Agus Sulistyanto; Hidayatul Ichwan

doi:10.56211/blendsains.v5i1.1802

Authors

Dion Bona Torang Sinaga Sekolah Tinggi Manajemen Informatika & Komputer Jayakarta
Agus Sulistyanto Sekolah Tinggi Manajemen Informatika & Komputer Jayakarta
Hidayatul Ichwan Sekolah Tinggi Manajemen Informatika & Komputer Jayakarta

DOI:

https://doi.org/10.56211/blendsains.v5i1.1802

Keywords:

Oil and Gas Corruption; Sentiment Analysis; Support Vector Machine (SVM); TF-IDF; Text Mining; YouTube

Abstract

Perkembangan media sosial telah menjadikan platform YouTube sebagai salah satu sarana utama masyarakat dalam menyampaikan opini terhadap berbagai isu publik, termasuk kasus dugaan korupsi di sektor minyak dan gas (migas). Komentar yang dihasilkan pengguna YouTube mengandung informasi mengenai persepsi dan sentimen masyarakat, namun jumlahnya yang besar serta sifatnya yang tidak terstruktur menyebabkan analisis secara manual menjadi kurang efektif. Oleh karena itu, diperlukan metode analisis sentimen yang mampu mengolah dan mengklasifikasikan opini masyarakat secara otomatis dan akurat. Penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube terhadap kasus dugaan korupsi migas menggunakan algoritma Support Vector Machine (SVM). Penelitian ini menggunakan pendekatan kuantitatif dengan tahapan pengumpulan data komentar YouTube, preprocessing data yang meliputi cleaning, case folding, tokenizing, stopword removal, dan stemming, kemudian ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF). Selanjutnya, proses klasifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM) dengan empat jenis kernel, yaitu linear, sigmoid, Radial Basis Function (RBF), dan polynomial. Evaluasi model dilakukan menggunakan confusion matrix dengan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM mampu mengklasifikasikan sentimen komentar YouTube ke dalam kategori positif, negatif, dan netral dengan baik. Berdasarkan hasil pengujian, kernel linear menghasilkan performa terbaik dengan nilai akurasi sebesar 74,95% dan weighted F1-score sebesar 0,75. Sementara itu, kernel sigmoid memperoleh akurasi sebesar 72,40%, kernel RBF sebesar 71,23%, dan kernel polynomial sebesar 56,45%. Hasil tersebut menunjukkan bahwa karakteristik data sentimen komentar YouTube pada kasus dugaan korupsi migas cenderung dapat dipisahkan secara linear sehingga kernel linear menjadi pilihan yang paling optimal. Penelitian ini membuktikan bahwa kombinasi TF-IDF dan SVM dapat digunakan secara efektif untuk menganalisis opini masyarakat terhadap isu publik yang berkembang di media sosial.

Downloads

Download data is not yet available.

References

[1] R. Singha, S. Das, K. Das, and M. Hasan, “Sentiment analysis of YouTube comments using machine learning algorithm,” ieeexplore.ieee.orgR Singha, S Das, K Das, M Hasan2024 IEEE Int. Conf. Comput. Appl. and, 2024•ieeexplore.ieee.org, 2024, doi: 10.1109/COMPAS60761.2024.10797211.

[2] F. Syofiani, S. Alam, and M. I. Sulistyo, “Analisis Sentimen Penilaian Masyarakat terhadap Childfree Berdasarkan Komentar di YouTube Menggunakan Algoritma Naïve Bayes,” J. Teknol. Inform. dan Komput., vol. 9, no. 2, pp. 688–703, 2023, doi: 10.37012/jtik.v9i2.1661.

[3] A. Nur, A. Saputra, R. E. Saputro, and S. Saputra, “Enhancing sentiment analysis accuracy using SVM and slang word normalization on YouTube comments,” jurnal.polgan.ac.idANA Saputra, RE Saputro, DIS SaputraSinkron J. dan Penelit. Tek. Inform. 2025•jurnal.polgan.ac.id, vol. 9, no. 2, pp. 687–699, Apr. 2025, doi: 10.33395/SINKRON.V9I2.14613.

[4] I. Putra, S. Salmon, K. K.-B. of C. Science, and undefined 2025, “Sentimen Masyarakat Terhadap Kenaikan Bahan Bakar Minyak pada Media Sosial Youtube dengan Metode K-Nearest Neighbor dan Support Vector Machine,” ejournal.itn.ac.id, vol. 6, no. 1, pp. 445–457, 2025, doi: 10.47065/bulletincsr.v6i1.883.

[5] R. I. Tarecha, F. Wahyudi, and U. M. Jannah, “Penanganan Negasi dalam Analisa Sentimen Bahasa Indonesia,” J. Sist. Inf. dan Inform. (JUSIFOR), vol. 1, no. 1, pp. 51–58, 2022, doi: 10.33379/jusifor.v1i1.1276.

[6] A. Saputra, I. Nurdiyani, … U. N.-J. digital: J., and undefined 2026, “Sentimen Masyarakat Terhadap Penanganan Banjir Bandang di Pulau Sumatra Berdasarkan Komentar Youtube Menggunakan Metode Support Vector Machine …,” indojurnal.com, doi: 10.63822/8d1vka43.

[7] D. Darwis, E. S. Pratiwi, and A. F. O. Pasaribu, “Penerapan Algoritma SVM untuk Analisis Sentimen pada Data Twitter Komisi Pemberantasan Korupsi Republik Indonesia,” Edutic - Sci. J. Informatics Educ., vol. 7, no. 1, pp. 1–11, 2020.

[8] U. Jaya, “KRITIK TERHADAP PEMERINTAHAN JOKO WIDODO PADA PENGUJUNG MASA JABATAN DALAM MAJALAH TEMPO (Analisis Semiotika Roland Barthes),” 2025, Accessed: Jun. 13, 2026. [Online]. Available: https://digilib.unila.ac.id/90592/

[9] A. Setiawan, R. S.-E. Jurnal, and undefined 2024, “Analisis Sentimen Ibu Kota Nusantara menggunakan Algoritma Support Vector Machine dan Naïve Bayes,” e-journal.hamzanwadi.ac.id, vol. 8, no. 1, pp. 183–192, 2024, doi: 10.29408/edumatic.v8i1.25667.

[10] S. Styawati, N. Hendrastuty, and A. R. Isnain, “Analisis Sentimen Masyarakat terhadap Program Kartu Prakerja pada Twitter dengan Metode Support Vector Machine,” J. Inform. J. Pengemb. IT, vol. 6, no. 3, pp. 150–155, 2021, doi: 10.30591/jpit.v6i3.2870.

[11] J. Saputra, L. Maryani, Rahmaddeni, D. Wulandari, and W. Eka, “Analisis Performa Naive Bayes dan SVM terhadap Sentimen Teks Media Sosial dengan Word2Vec dan SMOTE,” J. INSTEK (Inform. Sains dan Teknol.), vol. 10, no. 1, pp. 143–155, 2025.

[12] Normah, B. Rifai, S. Vambudi, and R. Maulana, “Analisa Sentimen Perkembangan Vtuber Dengan Metode Support Vector Machine Berbasis SMOTE,” J. Tek. Komput. AMIK BSI, vol. 8, no. 2, pp. 174–180, 2022, doi: 10.31294/jtk.v4i2.

[13] T. Maulana, B. Adhiyaksa, R. A. Fauzi, R. I. Agustin, S. A. Azhaar, and Rohana, “Komparasi Algoritma Naïve Bayes dan SVM untuk Analisis Sentimen Twitter Korupsi Bansos Beras Masa Pandemi,” J. Inform. dan Tek. Elektro Terap. (JITET), vol. 12, no. 2, pp. 912–918, 2024, doi: 10.23960/jitet.v12i2.4020.

[14] F. Rahmadayana and Y. Sibaroni, “Sentiment Analysis of Work from Home Activity using SVM with Randomized Search Optimization,” J. RESTI (Rekayasa Sist. dan Teknol. Inf.), vol. 5, no. 5, pp. 936–942, 2021, doi: 10.29207/resti.v5i5.3457.

[15] M. Goswami, … P. S. I. S. P. of E., and undefined 2021, “A comparative analysis of sentiment analysis using RNN-LSTM and logistic regression,” Springer, vol. 740 LNEE, pp. 165–174, 2021, doi: 10.1007/978-981-33-6393-9_18.

[16] M. R. Manoppo et al., “Analisis Sentimen Publik di Media Sosial terhadap Kenaikan PPN 12% di Indonesia Menggunakan IndoBERT,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 4, no. 2, pp. 152–163, 2025, doi: 10.69916/jkbti.v4i2.322.

[17] F. Caroline, R. G. S. Budi, and M. E. A. Rivan, “Analisis Sentimen Masyarakat terhadap Kasus Korupsi PT. Timah Menggunakan Metode Support Vector Machine,” J. Ilmu Komput. dan Inform. (JIKI), vol. 4, no. 1, pp. 43–50, 2024, doi: 10.54082/jiki.141.

[18] S. D. Parameswari, M. Lubis, S. Suakanto, Y. Z. Ramadhan, R. N. Amanah, and R. A. Dila, “Studi Perbandingan Naïve Bayes dan Support Vector Machine (SVM) dalam Analisis Sentimen Pengguna Metaverse,” J. Teknol. dan Manaj. Ind. Terap., vol. 4, no. 3, pp. 1059–1065, 2025, doi: 10.55826/jtmit.v4i3.1122.

[19] I. N. O. Darmayasa, N. A. Sanjaya ER, I. G. A. G. A. Kadyanan, and A. A. I. N. E. Karyawati, “Pengaruh Teknik Penanganan Negasi dalam Analisis Sentimen,” J. Teknol. Inf. dan Ilmu Komput. (JTIIK), vol. 12, no. 2, pp. 275–282, 2025, doi: 10.25126/jtiik.2025129079.

[20] H. Setiawan, E. Utami, and S. Sudarmawan, “Analisis Sentimen Twitter Kuliah Online Pasca Covid-19 Menggunakan Algoritma Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Informatika), vol. 5, no. 1, pp. 43–51, 2021, doi: 10.31603/komtika.v5i1.5189.