Analisis Sentimen Komentar Pada Video Pidato Politik Berbahasa Indonesia Di Youtube Menggunakan Fasttext
Abstract
Kemajuan teknologi digital telah mengubah cara masyarakat mengakses dan merespons informasi politik, khususnya melalui platform seperti YouTube yang menjadi wadah diskusi publik. Komentar pada video pidato politik sering kali memuat sentimen yang kompleks seperti ironi, slang, dan campuran bahasa (code-mixing), yang sulit diidentifikasi menggunakan metode analisis sentimen tradisional. Penelitian ini bertujuan untuk menganalisis sentimen komentar publik terhadap pidato politik berbahasa Indonesia di YouTube dengan pendekatan word embedding FastText. Data yang digunakan merupakan kumpulan komentar dari pidato Presiden Indonesia tahun 2014 hingga 2024, dengan klasifikasi sentimen menjadi positif, negatif, dan netral. Hasil penelitian menunjukkan bahwa model FastText memiliki kinerja yang lebih baik dibandingkan pendekatan TF-IDF + Logistic Regression, dengan nilai akurasi sebesar 76,82%. FastText mampu menangkap konteks dan makna yang kompleks dalam teks informal berbahasa Indonesia, serta menunjukkan performa yang lebih seimbang dalam memprediksi ketiga kelas sentimen. Meskipun metode oversampling membantu mendistribusikan prediksi antar kelas secara lebih merata, teknik ini belum memberikan peningkatan yang signifikan terhadap akurasi model secara keseluruhan. Penelitian ini memberikan kontribusi dalam meningkatkan efektivitas analisis sentimen di ranah politik dengan menggunakan bahasa Indonesia.
Downloads
References
Alfariqi, F., Maharani, W., & Husen, J. H. (2020). Klasifikasi Sentimen pada Twitter dalam Membantu Pemilihan Kandidat Karyawan dengan Menggunakan Convolutional Neural Network dan Fasttext Embeddings. E-Proceeding of Engineering, 7(2), 8052–8062.
Aziz, A. (2022). Analisis Sentimen Identifikasi Opini Terhadap Produk, Layanan dan Kebijakan Perusahaan Menggunakan Algoritma TF-IDF dan SentiStrength. Jurnal Sains Komputer & Informatika (J-SAKTI, 6(1), 115.
Bärtl, M. (2018). YouTube channels, uploads and views: A statistical analysis of the past 10 years. Convergence, 24(1). https://doi.org/10.1177/1354856517736979
Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017a). Enriching Word Vectors with Subword Information. Transactions of the Association for Computational Linguistics, 5, 135–146. https://doi.org/10.1162/tacl_a_00051
Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017b). Transactions of the Association for Computational Linguistics. Transactions of the Association for Computational Linguistics, 5, 135–146. https://transacl.org/ojs/index.php/tacl/article/view/999
Davidov, D. (2010). C10-2028.pdf. August, 241–249. https://www.aclweb.org/anthology/C10- 2028.pdf
Fasttext, M., Long, D. A. N., Lstm, S. M., Pangestu, A. F., Rahmat, B., & Sihananto, A. N. (2024). Analisis sentimen pada media sosial x terhadap implementasi kurikulum merdeka menggunakan metode fasttext dan long short-term memory (lstm). 9(4), 2271– 2280.
Gunawan, Y., Young, J. C., & Rusli, A. (2022). FastText Word Embedding and Random Forest Classifier for User Feedback Sentiment Classification in Bahasa Indonesia. Ultimatics : Jurnal Teknik Informatika, 13(2), 101–107. https://doi.org/10.31937/ti.v13i2.2124
Jurnal, S., Informatika, T., Komunikasi, I., April, N., Jl, A., Madya, R., Anyar, G., Anyar, K. G., & Timur, J. (2024). Analisis Sentimen Pada Pembatalan Tuan Rumah Indonesia Di Piala Dunia U-20 Menggunakan Fasttext Embeddings Dan Algoritma Recurrent Neural Network Aan Evian Nanda Universitas Pembangunan Nasional Veteran Jawa Timur Andreas Nugroho Sihananto Agung Mustika R. 2(2).
Liu, B. (2020). Sentiment Analysis: Mining Opinions, Sentiments, and Emotions, Second Edition. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions, Second Edition, May, 1–432. https://doi.org/10.1017/9781108639286
Medhat, W., Hassan, A., & Korashy, H. (2014). Sentiment analysis algorithms and applications: A survey. Ain Shams Engineering Journal, 5(4), 1093–1113. https://doi.org/https://doi.org/10.1016/j.asej.2014.04.011
Mikolov, T., Yih, W. T., & Zweig, G. (2013). Linguistic Regularities in Continuous Space Word Representations. Proceedings of the 2nd Workshop on Computational Linguistics for Literature, CLfL 2013 at the 2013 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, NAACL- HLT 2013.
Pang, B., & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends® in Information Retrieval, 2(1–2), 1–135. https://doi.org/10.1561/1500000011
Prabowo, R., & Thelwall, M. (2009). Sentiment analysis: A combined approach. Journal of Informetrics, 3(2), 143–157. https://doi.org/https://doi.org/10.1016/j.joi.2009.01.003
Putri, D. R., Puspaningrum, E. Y., Maulana, H., Pembangunan, U., Veteran, N., & Timur, J. (2024). Indonesia Neural Network. 12(3), 2759–2769.
Restya, B., & Cahyono, N. (2025). Optimasi Metode Klasifikasi Menggunakan FastText dan Grid Search pada Aanalisi Sentimen Ulasan Aplikasi SeaBank Optimization of Classification Method Using FastText and Grid Search for Sentiment Analysis of SeaBank App Reviews. 1, 226–238. https://doi.org/10.26798/jiko.v9i1.1523
Speer, R., & Chin, J. (2016). An Ensemble Method to Produce High-Quality Word Embeddings (2016). http://arxiv.org/abs/1604.01692
Copyright (c) 2025 Bella Risma Khailla Savana, Deni Arifianto, Lutfi Ali Muharom
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with the Smart Techno agree to the following terms:
- Authors retain copyright and grant the journal the right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work. (See The Effect of Open Access)
