Analisis Sentimen Komentar YouTube terhadap Trailer Kedua Grand Theft Auto VI Menggunakan TF-IDF dan Support Vector Machine
Keywords:
analisis sentimen, komentar YouTube, Grand Theft Auto VI, TF-IDF, Support Vector MachineAbstract
Perilisan trailer kedua Grand Theft Auto VI oleh Rockstar Games menuai gelombang antusiasme publik yang masif di YouTube. Studi ini berupaya memilah polaritas komentar penonton atas trailer tersebut menjadi tiga golongan: positif, netral, serta negatif. Melalui YouTube Data API v3, data dihimpun lalu dilewatkan pada rangkaian penyaringan teks, pembuangan entri ganda, dan normalisasi, sehingga tersisa 6.445 komentar bersih. Penandaan polaritas ditempuh secara otomatis lewat pendekatan berbasis leksikon VADER, sementara ciri tekstualnya diekstraksi memakai Term Frequency-Inverse Document Frequency (TF-IDF) dan digolongkan dengan algoritma Support Vector Machine (SVM) berkernel linear. Ketimpangan kelas ditangani melalui pembobotan kelas seimbang berikut penalaan parameter via GridSearch. Berdasarkan evaluasi, model membukukan akurasi 73,55%, F1-score weighted 0,7245, dan F1-score macro 0,6715, disertai skor validasi silang lima lipatan 0,7054 ± 0,0100 yang menandakan model cukup stabil. Sebaran sentimen paling banyak ditempati kelas netral (53,6%), disusul positif (28,8%) dan negatif (17,5%). Hasil ini mengisyaratkan bahwa sebagian besar penonton merespons trailer dengan nada netral sampai antusias, sekaligus menyoroti kelemahan pelabelan leksikon saat berhadapan dengan sarkasme dan komentar negatif, yang berujung pada rendahnya performa kelas negatif.
References
[1] J. Connatser, "New GTA 6 trailer fails to break the 24-hour view world record, here's why," TweakTown, 8 Mei 2025. [Online]. Tersedia: https://www.tweaktown.com/news/105118/new-gta-6-trailer-fails-to-break-the-24-hour-view-world-record-heres-why/index.html. [Diakses: 14 Juli 2026].
[2] C. J. Hutto and E. Gilbert, VADER: A parsimonious rule-based model for sentiment analysis of social media text, in Proc. 8th Int. AAAI Conf. Weblogs Soc. Media (ICWSM), Ann Arbor, MI, 2014, pp. 216-225. https://doi.org/10.1609/icwsm.v8i1.14550
[3] A. Andhini, F. N. Handayani, I. Diasih, and Nurmalitasari, Analisis sentimen opini publik pada channel YouTube Mata Najwa menggunakan metode SVM, J. Teknik Inform. Teknol. Inf., vol. 5, no. 2, pp. 139-154, 2025. https://doi.org/10.55606/jutiti.v5i2.5426
[4] D. Septiani and I. Isabela, Analisis term frequency inverse document frequency (TF-IDF) dalam temu kembali informasi pada dokumen teks, Sist. Teknol. Inf. Indones. (SINTESIA), vol. 1, no. 2, pp. 81-88, 2022.
[5] S. Khairunnisa, Adiwijaya, and S. Al Faraby, Pengaruh text preprocessing terhadap analisis sentimen komentar masyarakat pada media sosial Twitter (studi kasus pandemi COVID-19), J. Media Inform. Budidarma, vol. 5, no. 2, pp. 406-414, 2021. https://doi.org/10.30865/mib.v5i2.2835
[6] K. Sakun and C. Rudianto, Analisis sentimen komentar pada kanal YouTube Team RRQ menggunakan algoritma Support Vector Machine, J. Teknol. Manaj. Ind. Terap. (JTMIT), vol. 5, no. 2, pp. 1321-1329, 2026. https://doi.org/10.55826/jtmit.v5i2.1702
[7] T. Muhayat, A. Fauzi, and D. J. Indra, Analisis sentimen terhadap komentar video YouTube menggunakan Support Vector Machine, Progresif J. Ilm. Komput., vol. 19, no. 1, pp. 231-240, 2023. http://dx.doi.org/10.35889/progresif.v19i1.1060
[8] A. N. Syafia, M. F. Hidayattullah, and W. Suteddy, Studi komparasi algoritma SVM dan Random Forest pada analisis sentimen komentar YouTube BTS, J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 207-212, 2023. https://doi.org/10.30591/jpit.v8i3.5064
[9] J. E. B. Sinulingga and H. C. K. Sitorus, Analisis sentimen masyarakat terhadap film horor Indonesia menggunakan metode SVM dan TF-IDF, J. Manaj. Inform. (JAMIKA), vol. 14, no. 1, pp. 42-53, 2024. https://doi.org/10.34010/jamika.v14i1.11946
[10] R. A. Pranata, Rudiman, and N. A. Verdikha, Metode pembobotan TF-IDF untuk klasifikasi teks quick count pemilihan Wakil Presiden Indonesia 2024 pada X Twitter dengan metode SVM, J. Teknol. Inf. (JTI), vol. 18, no. 2, pp. 126-137, 2024.
[11] T. M. Permata Aulia, N. Arifin, and R. Mayasari, Perbandingan Kernel Support Vector Machine (Svm) Dalam Penerapan Analisis Sentimen Vaksinisasi Covid-19, SINTECH Sci. Inf. Technol. J., vol. 4, no. 2, pp. 139-145, 2021. https://doi.org/10.31598/sintechjournal.v4i2.762
[12] D. Abimanyu, E. Budianita, E. P. Cynthia, F. Yanto, and Yusra, Analisis sentimen akun Twitter Apex Legends menggunakan VADER, J. Nas. Komputasi Teknol. Inf. (JNKTI), vol. 5, no. 3, pp. 423-431, 2022. https://doi.org/10.32672/jnkti.v5i3.4382
[13] A. S. Rizkia, W. Wufron, and F. F. Roji, Analisis sentimen Coretax: perbandingan pelabelan data manual, transformers-based, dan lexicon-based pada performa IndoBERT, MALCOM: Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 1037-1048, 2025. https://doi.org/10.57152/malcom.v5i3.2151
[14] Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, Pelabelan otomatis lexicon VADER dan klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile, PETIR, vol. 15, no. 2, pp. 264-275, 2022. https://doi.org/10.33322/petir.v15i2.1733
[15] A. D. H. Setiawan and W. Maharani, Understanding public sentiments on the 2024 presidential election through BERT-powered analysis, Edumatic J. Pendidik. Inform., vol. 9, no. 1, pp. 89-98, 2025. https://doi.org/10.29408/edumatic.v9i1.29267
[16] T. A. Dewi and E. Mailoa, Perbandingan implementasi metode SMOTE pada algoritma Support Vector Machine (SVM) dalam analisis sentimen opini masyarakat tentang Mixue, J. Indones. Manaj. Inform. Komun. (JIMIK), vol. 4, no. 3, pp. 849-855, 2023. https://doi.org/10.35870/jimik.v4i3.289
