Klasifikasi Komentar YouTube Menggunakan Algoritma SVM: Studi Kasus Video Mitos dan Fakta Kesehatan oleh dr. Tirta

Caswita; Rofi Irfan Miftah; Elkin Rilvani

Penulis

Caswita Universitas Pelita Bangsa
Rofi Irfan Miftah Universitas Pelita Bangsa
Elkin Rilvani Universitas Pelita Bangsa

Kata Kunci:

Klasifikasi Komentar, Youtube, Edukasi Kesehatan, Support Vector Machine

Abstrak

Perkembangan teknologi digital telah mendorong masyarakat untuk mengakses informasi kesehatan melalui platform media sosial seperti YouTube. Video edukasi kesehatan oleh tenaga medis, salah satunya dr. Tirta, mendapatkan perhatian tinggi dan menghasilkan interaksi publik dalam bentuk komentar. Penelitian ini bertujuan untuk mengklasifikasikan sentimen komentar YouTube pada video edukasi kesehatan menggunakan algoritma Support Vector Machine (SVM). Data dikumpulkan dari video YouTube berjudul “NETIZEN BERTANYA LAGI, dr. TIRTA MENJAWAB KEMBALI: MITOS & FAKTA KESEHATAN” dengan total 2.414 komentar. Tahapan penelitian meliputi pengumpulan data menggunakan web scraping, pra-pemrosesan data (case folding, cleaning, stopword removal, stemming, tokenization), pelabelan otomatis komentar ke dalam kategori positif, negatif, dan netral, ekstraksi fitur menggunakan TF-IDF, serta pelatihan model klasifikasi menggunakan SVM dengan kernel linear. Hasil evaluasi menunjukkan model memperoleh akurasi sebesar 93,2%, precision 96,2%, recall 65,5%, dan F1-score 67,8%. Penelitian ini menyimpulkan bahwa algoritma SVM efektif digunakan untuk klasifikasi komentar YouTube pada konten edukasi kesehatan dan dapat mendukung analisis opini publik secara otomatis.

Unduhan

Data unduhan belum tersedia.

Referensi

DataReportal, “Data Reportal,” DataReportal, 2024, [Online]. Available: https://datareportal.com/reports/digital-2024-indonesia

B. D. S. Nashrullah Nashrullah, “Klasifikasi Emosi pada Komentar YouTube menggunakan Algoritme Support Vector Machine,” J. Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 7, no. 9, 2023, [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/12783?utm_source=chatgpt.com

S. Sudianto, J. A. A. Masheli, N. Nugroho, R. W. Ananda Rumpoko, and Z. Akhmad, “Comparison of Support Vector Machines and K-Nearest Neighbor Algorithm Analysis of Spam Comments on Youtube Covid Omicron,” J. Tek. Inform., vol. 15, no. 2, pp. 110–118, 2022, doi: 10.15408/jti.v15i2.24996.

Muhammad Hilmy Riwanto and Pramudhitya Ardhiyansyah, “Analisis Sentimen Komentar YouTube Terkait Penerapan Makan Bergizi Gratis Menggunakan Model Algoritma SVM,” Kohesi J. Multidisiplin Saintek, vol. 6, no. 12, pp. 1–14, 2025.

C. S. Salsabila et al., “max 18 words ( In English ) Bold , Align Text Left , One Single Space , 14pt ) Poverty Level Clustering in Districts / Cities Using the K-Medoids Method Based on Population Data,” vol. 2, no. 2023, pp. 1–7, 2024.

S. K. Dirjen, P. Riset, D. Pengembangan, R. Dikti, S. Khomsah, and A. S. Aribowo, “Terakreditasi SINTA Peringkat 2 Model Text-Preprocessing Komentar Youtube Dalam Bahasa Indonesia,” Masa Berlaku Mulai, vol. 1, no. 3, pp. 648–654, 2017.