Klasifikasi Opini Publik Turnamen PUBG Mobile PMCO Global 2019 Menggunakan Algoritma Naive Bayes
DOI:
https://doi.org/10.31294/ijcs.v5i1.11552Keywords:
Analisis Sentimen, YouTube, PUBG Mobile, Naive Bayes, TF‑IDFAbstract
Analisis sentimen di media sosial penting untuk memahami pendapat orang banyak tentang suatu acara, termasuk dalam konteks turnamen e-sport. Penelitian ini bertujuan untuk mengetahui pendapat masyarakat tentang turnamen PUBG Mobile PMCO Global 2019 berdasarkan komentar pengguna di YouTube dengan menggunakan pendekatan machine learning. Dataset yang digunakan adalah dataset terupdate yang mewakili pendapat publik selama periode waktu yang lebih lama. Proses penelitian mencakup tahapan pra-pemrosesan data teks, penilaian fitur dilakukan dengan metode Term Frequency–Inverse Document Frequency (TF-IDF), serta proses pengklasifikasian sentimen menggunakan algoritma Naive Bayes dan Support Vector Machine (SVM). Hasil analisis menunjukkan bahwa sebagian besar komentar pengguna memiliki sentimen netral, yaitu sebesar 55,5%, kemudian diikuti oleh sentimen negatif sebesar 22,9%, dan sentimen positif hanya mencapai 21,6%. Pengujian kinerja model dilakukan dengan menggunakan confusion matrix. Hasilnya menunjukkan bahwa algoritma SVM menghasilkan akurasi sebesar 87,27%, lebih tinggi daripada algoritma Naive Bayes yang hanya mencapai 81,93%, meskipun Naive Bayes tetap menawarkan efisiensi komputasi yang baik. Temuan penelitian ini menunjukkan bahwa pendekatan klasifikasi sentimen berbasis TF-IDF dan machine learning sangat efektif untuk menganalisis pendapat masyarakat di platform media sosial yang menggunakan video seperti YouTube, khususnya dalam konteks lomba e-sport secara internasional.
References
Algifari, A. (2024). ANALISIS SENTIMEN MEDIA SOSIAL YOUTUBE TERHADAP LIVE STREAMING PUBG MOBILE PRO LEAGUE ID 2023 DENGAN METODE NAÏVE BAYES [Undergraduate, Universitas Muhammadiyah Malang]. https://eprints.umm.ac.id/id/eprint/10706/
Aulia, Z. N., Jati, G. K., & Santoso, I. (2023). ANALISIS SENTIMEN TANGGAPANPUBLIC MENGENAI E-TILANG MELALUI MEDIA SOSIAL YOUTUBE MENGGUNAKAN ALGORITMA NAIVE BAYES. IKRA-ITH Informatika : Jurnal Komputer Dan Informatika, 7(2), 150–156.
Iskandar, J. W., & Nataliani, Y. (2021). Perbandingan Naïve Bayes, SVM, dan k-NN untuk Analisis Sentimen Gadget Berbasis Aspek. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(6), 1120–1126. https://doi.org/10.29207/resti.v5i6.3588
Jannah, N. Z. B., & Kusnawi, K. (2024). Comparison of Naïve Bayes and SVM in Sentiment Analysis of Product Reviews on Marketplaces. Sinkron : Jurnal Dan Penelitian Teknik Informatika, 8(2), 727–733. https://doi.org/10.33395/sinkron.v8i2.13559
Malik, N., & Bilal, M. (2024). Natural language processing for analyzing online customer reviews: A survey, taxonomy, and open research challenges. PeerJ Computer Science, 10, e2203. https://doi.org/10.7717/peerj-cs.2203
Mao, Y., Liu, Q., & Zhang, Y. (2024). Sentiment analysis methods, applications, and challenges: A systematic literature review. Journal of King Saud University - Computer and Information Sciences, 36(4), 102048. https://doi.org/10.1016/j.jksuci.2024.102048
Maulana, B. A., Fahmi, M. J., Imran, A. M., & Hidayati, N. (2024). Analisis Sentimen Terhadap Aplikasi Pluang Menggunakan Algoritma Naive Bayes dan Support Vector Machine (SVM): Sentiment Analysis of Pluang Applications With Naive Bayes and Support Vector Machine (SVM) Algorithm. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(2), 375–384. https://doi.org/10.57152/malcom.v4i2.1206
Maulina, D. (2022). Studi Komprehensif Algoritma Naive Bayes Classifier Dengan Support Vector Machine Pada Sentiment Analysis Opini Pembangunan Infrastruktur di Media Sosial Twitter. Inspiration: Jurnal Teknologi Informasi Dan Komunikasi, 12, 41. https://doi.org/10.35585/inspir.v12i1.2640
Maulina, D., & Andhara, M. (2023). Perbandingan Pre-Processing Opini Netizen Terhadap RUU PKS Menggunakan Algoritma Naive Bayes Classifier. Smart Comp: Jurnalnya Orang Pintar Komputer, 12. https://doi.org/10.30591/smartcomp.v12i1.4610
Muzaki, A., & Witanti, A. (2021). SENTIMENT ANALYSIS OF THE COMMUNITY IN THE TWITTER TO THE 2020 ELECTION IN PANDEMIC COVID-19 BY METHOD NAIVE BAYES CLASSIFIER. Jurnal Teknik Informatika (Jutif), 2(2), 101–107. https://doi.org/10.20884/1.jutif.2021.2.2.51
Saputra, A. N. A., Saputro, R. E., & Saputra, D. I. S. (2025). Enhancing Sentiment Analysis Accuracy Using SVM and Slang Word Normalization on YouTube Comments. Sinkron : Jurnal Dan Penelitian Teknik Informatika, 9(2), 687–699. https://doi.org/10.33395/sinkron.v9i2.14613
Sinaga, D. (2021). Analisis Sentimen Untuk Mengetahui Kesan Player Game Mobile Legends Menggunakan Naïve Bayes Classifier. PROSIDING SEMINAR NASIONAL LPPM UMP. https://www.academia.edu/103025718/Analisis_Sentimen_Untuk_Mengetahui_Kesan_Player_Game_Mobile_Legends_Menggunakan_Na%C3%AFve_Bayes_Classifier
Singh, S., Kumar, K., & Kumar, B. (2022). Sentiment Analysis of Twitter Data Using TF-IDF and Machine Learning Techniques. 2022 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COM-IT-CON), 1, 252–255. https://doi.org/10.1109/COM-IT-CON54601.2022.9850477
Tan, K. L., Lee, C. P., Lim, K. M., Tan, K. L., Lee, C. P., & Lim, K. M. (2023). A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research. Applied Sciences, 13(7). https://doi.org/10.3390/app13074550
Wankhade, M., Rao, A. C. S., & Kulkarni, C. (2022). A survey on sentiment analysis methods, applications, and challenges. Artificial Intelligence Review, 55(7), 5731–5780. https://doi.org/10.1007/s10462-022-10144-1
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Dina Maulina, Muhammad Hillal Alhamdi, M. Nuraminudin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
