Analisis Sentimen Komentar YouTube tentang Pengolahan Sampah Plastik Menggunakan Support Vector Machine dan Random Forest

Dina Lestari Putri; Dwi Bayu Laksana Rahmadani

doi:10.30599/njac0145

Authors

Dina Lestari Putri Universitas Multi Data Palembang
Dwi Bayu Laksana Rahmadani Universitas Multi Data Palembang

DOI:

https://doi.org/10.30599/njac0145

Abstract

Perkembangan media sosial menyediakan ruang bagi pengguna untuk menyampaikan tanggapan terhadap berbagai isu, termasuk pengolahan sampah plastik menjadi bahan bakar. Komentar pada YouTube dapat dimanfaatkan sebagai sumber data untuk menganalisis kecenderungan sentimen pengguna terhadap suatu topik. Penelitian ini bertujuan untuk menganalisis sentimen komentar YouTube tentang pengolahan sampah plastik serta membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest. Data penelitian diperoleh melalui proses scraping komentar pada video berjudul “Sulap Sampah Plastik Jadi Bensin RON 92 & Solar. Solusi Cerdas Atasi Limbah” pada kanal Tanilink TV. Sebanyak 1.413 komentar dianalisis melalui tahapan pre-processing, pelabelan sentimen menggunakan pendekatan berbasis leksikon (lexicon-based), ekstraksi fitur teks, pembagian data latih dan data uji dengan rasio 70:30, serta klasifikasi menggunakan SVM dan Random Forest. Hasil pelabelan menunjukkan bahwa 939 komentar (66,45%) dikategorikan sebagai sentimen negatif dan 474 komentar (33,55%) sebagai sentimen positif. Hasil evaluasi menunjukkan bahwa SVM memperoleh akurasi sebesar 85,1% dan weighted F1-score sebesar 0,848, sedangkan Random Forest memperoleh akurasi sebesar 82,5% dan weighted F1-score sebesar 0,818. Berdasarkan hasil pengujian pada dataset yang digunakan, SVM menunjukkan kinerja lebih baik daripada Random Forest. Temuan ini terbatas pada komentar dari video yang dianalisis dan belum dapat digeneralisasikan untuk menggambarkan opini masyarakat secara keseluruhan.

References

[1] Adilla, R. E., Huda, M., Aziz, M., & Suadaa, L. H. (2024). Aspect-based sentiment analysis of transportation electrification opinions on YouTube comment data. Jurnal Aplikasi Statistika & Komputasi Statistik, 16(2), 140–157. https://doi.org/10.34123/jurnalasks.v16i2.790

[2] Suryani, A. S. (2016). Persepsi masyarakat dan analisis willingness to pay terhadap kebijakan kantong plastik berbayar studi di Jakarta dan Bandung. Kajian, 21(4), 359–376.

[3] Putri, N. W., Fitriyani, F., Rahmalber, T. V., Falikha, D. D., Tafsia, S. I., & Setiawati, S. D. (2023). Pengetahuan, sikap dan partisipasi masyarakat dalam penerapan kebijakan pengurangan kantong plastik sebagai upaya mengurangi sampah plastik di Kota Padang. Jurnal Kesehatan Lingkungan Indonesia, 22(3), 259–267. https://doi.org/10.14710/jkli.22.3.259-267

[4] Koto, F., & Rahmaningtyas, G. Y. (2017). Inset lexicon: Evaluation of a word list for Indonesian sentiment analysis in microblogs. In 2017 International Conference on Asian Language Processing (IALP) (pp. 391–394). IEEE.

[5] Arsyah, U. I., Pratiwi, M., & Muhammad, A. (2024). Twitter sentiment analysis of public space opinions using SVM and TF-IDF methods. The Indonesian Journal of Computer Science, 13(1). https://doi.org/10.33022/ijcs.v13i1.3594

[6] Saputra, A. N. A., Saputro, R. E., & Saputra, D. I. S. (2025). Enhancing sentiment analysis accuracy using SVM and slang word normalization on YouTube comments. Sinkron: Jurnal dan Penelitian Teknik Informatika, 9(2), 687–699. https://doi.org/10.33395/sinkron.v9i2.14613

[7] Satriya, R. D., Suarjaya, I. M. A. D., & Pratama, I. P. A. E. (2022). Sentiment analisis antusias masyarakat terhadap sampah plastik dengan menggunakan metode support vector machine (SVM). Jurnal Ilmiah Teknologi dan Komputer, 3(1), 880–893.

[8] Chairat, A. S. N., Rizal, R., & Himawan, H. (2025). Comparative sentiment analysis of YouTube comments on Indonesia’s electric vehicle incentive policy using TF-IDF and IndoBERTweet models. Jurnal Teknik Informatika, 6(6), 5988–6002. https://doi.org/10.52436/1.jutif.2025.6.6.5499

[9] Doholio, N. P., Hasan, I. K., & Abdussamad, S. N. (2025). Comparison of Word2Vec and CountVectorizer with mutual information in support vector machine (SVM) for public sentiment analysis. Journal of Mathematics and Computer Statistics, 8(1), 12–23.

[10] Parameswari, S. D., Lubis, M., Suakanto, S., Ramadhan, Y. Z., Amanah, R. N., & Dila, R. A. (2025). Studi perbandingan Naïve Bayes dan support vector machine (SVM) dalam analisis sentimen pengguna Metaverse. Jurnal Teknologi dan Manajemen Industri Terapan, 4(3), 1059–1065. https://doi.org/10.55826/jtmit.v4i3.1122

[11] Salman, A. H., & Al-Jawher, W. A. M. (2024). Performance comparison of support vector machines, AdaBoost, and random forest for sentiment text analysis and classification. J. Port Sci. Res., 7(3), 300–311.

[12] Dadgar, S. M. H., Araghi, M. S., & Farahani, M. M. (2016). A novel text mining approach based on TF-IDF and support vector machine for news classification. In 2016 IEEE International Conference on Engineering and Technology (ICETECH) (pp. 112–116). IEEE.

[13] Tanesab, F. I., Sembiring, I., & Purnomo, H. D. (2017). Sentiment analysis model based on YouTube comment using support vector machine. International Journal of Computer Science and Software Engineering, 6(8), 180–185.

[14] Shahmirzadi, O., Lugowski, A., & Younge, K. (2019). Text similarity in vector space models: A comparative study. In 2019 18th IEEE International Conference on Machine Learning and Applications (ICMLA) (pp. 659–666). IEEE. https://doi.org/10.1109/ICMLA.2019.00120

[15] Samant, S. S., Murthy, N. L. B., & Malapati, A. (2019). Improving term weighting schemes for short text classification in vector space model. IEEE Access, 7, 166578–166592. https://doi.org/10.1109/ACCESS.2019.2953918

[16] Alkaff, M., Baskara, A. R., & Wicaksono, Y. H. (2020). Sentiment analysis of Indonesian movie trailer on YouTube using delta TF-IDF and SVM. In 2020 Fifth International Conference on Informatics and Computing (ICIC) (pp. 1–5). IEEE. https://doi.org/10.1109/ICIC50835.2020.9288579

[17] Bhuiyan, H., Ara, J., Bardhan, R., & Islam, M. R. (2017). Retrieving YouTube video by sentiment analysis on user comment. In M. F. Ahmad Fauzi (Ed.), Proceedings of the 2017 IEEE International Conference on Signal and Image Processing Applications (ICSIPA 2017) (pp. 474–478). IEEE. https://doi.org/10.1109/ICSIPA.2017.8120658

[18] Jadhav, S. S. (2024). Sentiment analysis of user comments for a YouTube educational videos [Master’s thesis, National College of Ireland]. NORMA@NCI Library. https://norma.ncirl.ie/8712/

[19] Jamil, M., Hadiyanto, H., & Sanjaya, R. (2024). Sentiment analysis: Classifying public comments on YouTube in disaster management simulation in Indonesia using Naïve Bayes and support vector machine. Ingénierie des Systèmes d’Information, 29(2), 437–446. https://doi.org/10.18280/isi.290205

[20] Zakiyah, N. P., Umam, K., & Mahfudh, A. A. (2025). Public opinion on the MBG program: Comparative evaluation of InSet and VADER lexicon labeling using SVM on platform X. Journal of Applied Informatics and Computing, 9(6), 3937–3944.

[21] Eminagaoglu, M. (2022). A new similarity measure for vector space models in text classification and information retrieval. Journal of Information Science, 48(4), 463–476. https://doi.org/10.1177/0165551520968055