Analisis Sentimen Komentar YouTube terhadap Rumor Peluncuran iPhone 17 Menggunakan Web Scraping dan Studi Komparatif Algoritma Klasifikasi
DOI:
https://doi.org/10.35145/joisie.v9i2.5684Kata Kunci:
iPhone, YouTube, Random Forest, Naïve Bayes, KNNAbstrak
Peluncuran produk teknologi seperti iPhone senantiasa memicu diskusi masif yang merefleksikan persepsi publik terhadap inovasi. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat Indonesia terhadap rumor peluncuran iPhone 17 memanfaatkan data media sosial. Sebanyak 1.077 komentar YouTube diproses menggunakan pendekatan Text Mining dan pembobotan TF-IDF untuk diklasifikasikan menggunakan algoritma Naive Bayes, Random Forest, dan K-Nearest Neighbor (KNN). Hasil analisis menunjukkan sentimen positif mendominasi sebesar 43% yang didorong antusiasme fitur kamera, diikuti sentimen negatif sebesar 38,8% yang menyoroti isu harga dan desain. Evaluasi model menunjukkan Random Forest sebagai algoritma terbaik dengan akurasi uji 69,2% dan validasi silang 65,68%, mengungguli algoritma lainnya. Penelitian ini memberikan kontribusi dalam memetakan persepsi pasar Indonesia, menyimpulkan bahwa meskipun loyalitas merek Apple kuat, faktor harga dan inovasi fungsional menjadi penentu utama penerimaan produk.
Unduhan
Referensi
Bing, L. (2012). Sentiment Analysis and Opinion Mining. Morgan & Claypool Publishers, May.
Fadillah, M. R., & Batu, R. L. (2025). Pengaruh Harga , Kualitas Produk , Promosi terhadap Keputusan Pembelian Smartphone Xiaomi ( Studi Kasus pada Followers Instagram Xiaomi ). El-Mal: Jurnal Kajian Ekonomi & Bisnis Islam, 5(1), 132–139. https://doi.org/1047467/elmal.v5i1.310
Ghanad, A. (2023). An Overview of Quantitative Research Methods. International Journal of Multidisciplinary Research and Analysis, 06(08), 3794–3803. https://doi.org/10.47191/ijmra/v6-i8-52
Halabaku, E., & Bytyçi, E. (2024). Overfitting in Machine Learning : A Comparative Analysis of Decision Trees and Random Forests. Intelligent Automation & Soft Computing, 39(6), 987–1006. https://doi.org/10.32604/iasc.2024.059429
Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques. Morgan Kaufmann.
Huwaida, S. F., Kusumawati, R., & Isnaini, B. (2024). Analisis sentimen komentar youtube terhadap pemindahan ibu kota negara menggunakan metode Naïve Bayes. Jambura Journal of Informatics, 6(1), 26–39. https://doi.org/10.37905/jji.v6i1.24718
Kang, S. (2021). k -Nearest Neighbor Learning with Graph Neural Networks. Mathematics, 9(830).
Kemp, S. (2025). Digital 2025: Indonesia. DATAREPORTAL.
Koto, F. (2017). InSet Lexicon : Evaluation of a Word List for Indonesian Sentiment Analysis in Microblogs. International Conference on Asian Language Processing, 391–394.
Liu, S., & Jody, D. (2024). Using cross-validation methods to select time series models : Promises and pitfalls. The British Journal of Mathematical and Statistical Psychology, May 2023, 337–355. https://doi.org/10.1111/bmsp.12330
Manurung, C. E., & Mayatopani, H. (2025). Sentiment Analysis of Indonesian Society Toward the Launch of iPhone 16 Using Naive Bayes , Random Forest , and KNN Algorithms. Jurnal Komputer, Informasi Dan Teknologi, 5(1), 1–13. https://doi.org/10.53697/jkomitek.v5i1.2219
Markoulidakis, I., & Markoulidakis, G. (2024). Probabilistic Confusion Matrix : A Novel Method for Machine Learning Algorithm Generalized Performance Analysis. Technologies, 12(133).
Tantyoko, H., Sari, D. K., & Wijaya, A. R. (2023). Prediksi Potensial Gempa Bumi Indonesia menggunakan Metode Random Forest dan Feature Selection. Idealis: Indonesia Journal Information System, 6(2), 83–89.
Wulandari, F., Haerani, E., Fikry, M., & Budianita, E. (2023). Analisis sentimen larangan penggunaan obat sirup menggunakan algoritma naive bayes classifier. Jurnal Computer Science and Information Technology (CoSciTech), 4(1), 88–96.
