ANALISIS SENTIMEN KOMENTAR YOUTUBE TENTANG BOIKOT TRANS 7 DENGAN METODE K-Nearest Neighbor (KNN)
Abstract
Abstrak. Perkembangan media sosial menempatkan platform seperti YouTube sebagai barometer opini publik, salah satunya pada fenomena seruan boikot Trans 7 terkait polemik konten Guru Gembul. Penelitian ini bertujuan menganalisis polaritas opini masyarakat serta mengevaluasi kinerja algoritma K-Nearest Neighbor (K-NN) berbasis pembobotan fitur IndoRoBERTa untuk mengklasifikasikan komentar ke dalam kategori negatif, netral, dan positif. Dari 3.700 komentar yang dikumpulkan via YouTube API, serangkaian text preprocessing menghasilkan 1.856 data valid. Pengujian menunjukkan konfigurasi K=5 lebih optimal dibanding K=3. Distribusi data didominasi sentimen negatif sebesar 68,53% (1.272 komentar), netral 24,62% (457 komentar), dan positif 6,84% (127 komentar). Evaluasi K-NN (K=5) menghasilkan akurasi 64,5%, namun mengalami bias akibat class imbalance ekstrem. Model sangat andal mengenali sentimen negatif (presisi 71,9%, recall 82,7%), tetapi berkinerja rendah pada netral (presisi 36,8%, recall 30,4%) dan positif (recall 7,7%). Penelitian ini menyimpulkan bahwa K-NN berbasis IndoRoBERTa mampu memetakan opini publik, tetapi memerlukan teknik penanganan data seperti SMOTE pada riset mendatang.
Abstract. The development of social media has positioned platforms like YouTube as a barometer of public opinion, as seen in the boycott call against Trans 7 concerning the controversy surrounding Guru Gembul's content. This study aims to analyze the polarity of public opinion and evaluate the performance of the K-Nearest Neighbor (K-NN) algorithm with IndoRoBERTa feature weighting in classifying comments into negative, neutral, and positive categories. From 3,700 comments collected via the YouTube API, a series of text preprocessing steps yielded 1,856 valid entries. Parameter testing revealed that a configuration of was more optimal than . The data distribution was dominated by negative sentiment at 68.53% (1,272 comments), followed by neutral at 24.62% (457 comments), and positive at 6.84% (127 comments). The evaluation of K-NN () achieved an accuracy of 64.5%, but exhibited strong classification bias due to extreme class imbalance. The model proved highly reliable in identifying negative sentiment (precision 71.9%, recall 82.7%), but performed poorly on neutral sentiment (precision 36.8%, recall 30.4%) and struggled significantly with positive sentiment (recall 7.7%). This study concludes that IndoRoBERTa-based K-NN can map public opinion, but requires data handling techniques such as SMOTE to optimize future research.
.
Downloads
References
S. Alim dan A. F. Dharma, “YOUTUBE SEBAGAI RUANG PUBLIK ALTERNATIF BAGI ANAK MUDA,” Expo. J. Ilmu Komun., vol. 4, no. 1, hal. 1, Apr 2021, doi: 10.33021/exp.v4i1.1437.
M. D. Taufiqurahman, S. Anraeni, dan H. Darwis, “Analisis Sentimen Komentar Konten Kreator Gaming Menggunakan Metode Naive Bayes dan KNN,” LINIER Lit. Inform. dan Komput., vol. 1, no. 4, hal. 317–327, Des 2024, doi: 10.33096/linier.v1i4.2531.
A. Pinkan Mareta dkk., “Perbandingan Metode Naïve Bayes, Decision Tree, Dan Knn Dalam Analisis Sentimen Aplikasi Gojek Di Playstore,” J. Sist. Inf., vol. 7, no. 2, hal. 725–734, 2025.
H. Travaganz Nainggolan dkk., “Klasifikasi Sentimen Menggunakan Algoritma ¬K-Nearest Neighbour (Studi Kasus: Magang Merdeka Belajar),” J. Inform., 2023.
A. Nafisah dan B. Prasetiya, “Klasifikasi Emosi Multikelas Berbasis Teks Bahasa Indonesia Menggunakan IndoRoBERTa,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 9, hal. 1–9, 2025, [Daring]. Tersedia pada: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/15276
R. Danyana Umrona, S. Naja Anwar, dan R. Soelistijadi, “ANALISIS SENTIMEN KOMENTAR YOUTUBE TERKAIT KASUS PAGAR LAUT MENGGUNAKAN METODE KNN (K-NEAREST NEIGHBOR),” J. Inform. Teknol. dan Sains, vol. 7, no. 3, 2025.
S. K. Dewi, D. D. Rahmawati, dan A. P. Sari, “Analisis Sentimen Komentar pada Postingan Instagram " StandWithUs " Menggunakan Klasifikasi Naive Baye,” J. Ilmia Inform., vol. 2, 2024.
S. L. M. Sitio dan R. Nadiyanti, “Analisis Sentimen Kenaikan Harga BBM Pertamax Pada Media Sosial Menggunakan Metode Naïve Bayes Classifier,” Build. Informatics, Technol. Sci., vol. 4, no. 3, hal. 1224–1231, 2022, doi: 10.47065/bits.v4i3.2311.
R. Wijaya dan A. Suwandhi, “Sentimen Komentar Universitas Pelita Harapan Pada TikTok Menggunakan Metode K-Nearest Neighbor,” JDMIS J. Data Min. Inf. Syst., vol. 2, no. 1, hal. 26–36, Feb 2024, doi: 10.54259/jdmis.v2i1.2418.
Y. O. Sihombing dan N. V. Situmorang, “Prediksi Sentimen Pada Teks Media Sosial Corporate University,” Pros. Pertem. Ilm. Tah. Nas. Widyaiswara, hal. 302–316, 2024.
L. Nursinggah, R. Ruuhwan, dan T. Mufizar, “Analisis Sentimen Pengguna Aplikasi X Terhadap Program Makan Siang Gratis Dengan Metode Naïve Bayes Classifier,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3, 2024, doi: 10.23960/jitet.v12i3.4336.
E. Hokijuliandy, H. Napitupulu, dan F. Firdaniza, “Analisis Sentimen Menggunakan Metode Klasifikasi Support Vector Machine (SVM) dan Seleksi Fitur Chi-Square,” SisInfo – J. Sist. Inf. dan Inform., vol. 5, no. 2, 2024.
Alfarizi M. R. S., Al-farish, M. Z., Taufiqurrahman, M., Ardiansah, G., dan M. Elgar, “Penggunaan Python Sebagai Bahasa Pemrograman untuk Machine Learning dan Deep Learning,” Karya Ilm. Mhs. Bertauhid (KARIMAH TAUHID), vol. 2, no. 1, hal. 1–6, 2023.
D. N. Larasakti, A. Aziz, dan D. Aditya, “Analisis Sentimen Komentar Video Youtube Dengan Metode K-Nearest Neighbor,” J. Ilm. Wahana Pendidik., vol. 9, no. 5, hal. 132–142, 2023, doi: 10.5281/zenodo.7728573.
A. H. Kaplale, “Rancangan digitalisasi arsip surat masuk dan surat keluar berbasis web dengan Visual Studio Code (studi kasus pada IAIN Ambon),” J. Teknol. Inf., vol. 8, no. 2, hal. 208–217, 2024, [Daring]. Tersedia pada: https://jurnal.una.ac.id/index.php/jurti/articl
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
