Analisis Fitur-Fitur Yang Mempengaruhi Jumlah Subscribers Youtube Menggunakan Algoritma Naive Bayes Classifier
DOI:
https://doi.org/10.32664/smatika.v10i01.446Kata Kunci:
chi square, youtube, klasifikasi komentar youtube, algoritma naive bayesAbstrak
Salah satunya teknologi dalam bidang komunikasi adalah platform media sosial. Media sosial Youtube adalah salah satu media sosial yang paling banyak digunakan di Indonesia. Keuntungan yang didapatkan oleh Content Creator atau Youtuber berasal dari AdSense. Youtube memiliki beberapa fitur yang disediakan yaitu like, dislike, view dan komentar (komentar dengan sentimen negatif atau positif). Diperlukan sistem klasifikasi otomatis sentimen komentar Youtube untuk klasifikasi komentar positif dan komentar negatif, selain itu analisis fitur-fitur yang mempengaruhi jumlah subscribers sehingga Content Creator dapat mengetahui fitur-fitur yang dapat mempengaruhi jumlah subscribers. Dalam penelitian ini akan dibuat sistem klasifikasi otomatis sentimen komentar menggunakan algoritma Naive Bayes (NB) sehingga proses klasifikasi komentar positif dan negatif dapat dilakukan dengan mudah, data yang digunakan dalam analisis adalah sebanyak 53 channel Youtube dengan jenis vlog. Selain itu data yang digunakan sebagai data latih klasifikasi adalah sebanyak 4166 sentimen positif dan 4166 sentimen negatif, setelah itu dilakukan analisis fitur-fitur yang mempengaruhi jumlah subscribers dengan menggunakan chi square. Hasil dari analisis dengan chi square didapatkan ada 4 fitur yang memiliki pengaruh terhadap jumlah subscribers yaitu jumlah view dengan nilai chi square 23.105, dislike dengan nilai chi square 13.745, jumlah komentar sentimen positif dengan nilai chi square 18.123 dan jumlah like dengan nilai chi square 13.745. Hasil akurasi untuk sistem klasifikasi otomatis menggunakan Naive Bayes (NB) sebesar 81%.
Referensi
EVANS, W (2016). Analisis Konten Pada Media Sosial Video Youtube Untuk Mendukung Strategi Kampanye Politik Dengan Menggunakan Analisis Sentimen
FEBRUARIYANTI, H., & ZULIARSO, E. (2012). Klasifikasi dokumen berita teks bahasa indonesia menggunakan ontologi. Dinamik, 17(1).
GO, A., HUANG, L., & BHAYANI, R. (2009). Twitter Sentiment Analysis. Final Project Report, Stanford University, Department of Computer Science.
KONCZ, P., & PARALIC, J. (2011). An approach to feature selection for sentiment analysis. In 2011 15th IEEE International Conference on Intelligent Engineering Systems (pp. 357–362).
LIANTONI, F., NUGROHO, H. (2015). Klasifikasi Daun Herbal Menggunakan Metode Naïve Bayes Classifier Dan Knearest.
LESMANA, P. I. (2013). Analisis Sentimen Pengguna Layanan Media Sosial Twitter Di Indonesia.
MONARIZQA, N., NUGROHO, L. E., & HANTONO, B. S. (2014). Penerapan Analisis Sentimen Pada Twitter Berbahasa Indonesia Sebagai Pemberi Rating. Jurnal Penelitian Teknik Elektro dan Teknologi Informasi, 1(3).
NEIGHBOR. LUQYANA, W. A., CHOLISSODIN, I., PERDANA, R. S., (2018). Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine.
PRASETYO, E. (2012), Data Mining konsep dan Aplikasi menggunakan Matlab.
RETNAWIYATI, E., M.KOM, F. M., & NEGARA, M.KOM, E. S. (2016). Analisis Sentimen Pada Data Twitter dengan Menggunakan Text Mining terhadap Suatu Produk.
VIJAYARANI, S., & DHAYANAND, S. (2015). Data Mining Classification Algorithms for Kidney Disease Prediction.
International Journal on Cybernetics & Informatics (IJCI), 4(4), 13-25.
HARTANTO S. (2018), Motif Subscriber Menonton Channel Youtube (Studi Deskriptif Kualitatif Motif Subscriber Menonton Channel Youtube Presiden Jokowi).
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
