KLASIFIKASI SENTIMEN YOUTUBE TERKAIT DEMONSTRASI AGUSTUS 2025 MENGGUNAKAN METODE TF-IDF DAN ALGORITMA XGBOOST

Abstract

Pertumbuhan pesat media sosial menghasilkan volume besar teks opini berbahasa Indonesia yang tidak terstruktur dan sulit dianalisis secara manual, khususnya pada platform YouTube. Penelitian ini mengimplementasikan model analisis sentimen pada komentar YouTube berbahasa Indonesia menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) sebagai teknik ekstraksi fitur dan Extreme Gradient Boosting (XGBoost) sebagai algoritma klasifikasi. Sebanyak 2.000 komentar dikumpulkan melalui YouTube Data API v3, diproses melalui tahap case folding, cleaning, tokenizing, stopword removal, dan stemming menggunakan library Sastrawi, kemudian diberi label positif, netral, dan negatif menggunakan metode crowdsourcing dengan majority vote. RandomOverSampler diterapkan pada data training untuk mengatasi ketidakseimbangan kelas, dan parameter XGBoost dioptimalkan menggunakan GridSearchCV. Konfigurasi terbaik yang diuji pada pembagian data 80:20 menghasilkan akurasi keseluruhan sebesar 82,50%, dengan kelas negatif mencapai F1-score 0,90, sedangkan kelas netral dan positif memperoleh F1-score masing-masing 0,40 dan 0,51. Hasil ini menunjukkan bahwa kombinasi TF-IDF dan XGBoost unggul pada kelas negatif yang dominan, namun masih terbatas dalam membedakan kelas sentimen minoritas akibat karakteristik TF-IDF yang bersifat bag-of-words.

Kata Kunci: analisis sentimen, TF-IDF, XGBoost, komentar YouTube, teks bahasa Indonesia