Sentiment analysis of youtube comments on the palestine-israel conflict: Performance comparison of SVM, KNN, and RFC
Article Sidebar
Main Article Content
Abstract
The Palestine-Israel conflict, rooted in territorial and religious identity disputes in the Middle East, notably over the sanctity of Jerusalem, is impacted by various political, economic, and social factors. This study employs text-mining techniques to analyze the sentiment of YouTube comments concerning the conflict. Utilizing data collected via the YouTube API, the study preprocesses, analyzes sentiment, and classifies comments using three machine learning algorithms: K-Nearest Neighbors (K-NN), Random Forest Classifier (RFC), and Support Vector Machine (SVM). The categorization report measures are utilized to compare how well the models performed in classifying estimation as positive or negative. Outflanking all other classifiers, the Irregular Woodland Classifier (RFC) accomplishes 78curacy with accuracy rates of 0.76 for positive and 0.79 for negative assumptions. With a precision rate of 77%, SVM illustrates an inclination in favor of negative sentiments, though K-NN, with an exactness rate of 60%, shows an imbalance favoring negative over positive estimations.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
I. Afdhal, R. Kurniawan, I. Iskandar, R. Salambue, E. Budianita, dan F. Syafria, “Penerapan Algoritma Random Forest Untuk Analisis Sentimen Komentar Di YouTube Tentang Islamofobia,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 1, 2022, doi: https://doi.org/10.32672/jnkti.v5i1.4004.
S. S. Maulidah, “Analisis Sentimen Terhadap Brand Reputation Super Apps Gojek dan Grab di Indonesia Menggunakan Algoritma Machine Learning,” UIN Syarif Hidayatullah Jakarta, 2023.
T. Ridwansyah, “Implementasi Text Mining Terhadap Analisis Sentimen Masyarakat Dunia Di Twitter Terhadap Kota Medan Menggunakan K-Fold Cross Validation Dan Naïve Bayes Classifier,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 2, no. 5, hal. 178–185, Apr 2022, doi: 10.30865/klik.v2i5.362.
W. Widia, Z. Y. Aqsalia, S. Sari, N. U. Khoirunisa, dan F. Kurniawan, “Optimasi Algoritma Naive Bayes Untuk Menganalisis Sentimen Pada Konten Pemindahan Ibu Kota di Youtube,” J. Comput. Inf. Syst. Ampera, vol. 5, no. 2, 2024, doi: https://doi.org/10.51519/journalcisa.v5i1.451.
R. A. Saputra, D. P. Ray, dan F. Irwiensyah, “Analisis Sentimen Aplikasi Tokocrypto Berdasarkan Ulasan Pada Google Play Store Menggunakan Metode Naïve Bayes,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 4, 2024, doi: https://doi.org/10.30865/klik.v4i4.1707.
T. Suhendra, B. Intan, dan A. T. Martadinata, “Analisis Sentimen Pengguna Aplikasi Netflix Pada Ulasan Google Playstore Menggunakan Metode Naïve Bayes,” 2024.
R. A. A. Renal, Syariful Alam, dan Moch Hafid T, “KOMPARASI PAYMENT DIGITAL UNTUK ANALISIS SENTIMEN BERDASARKAN ULASAN DI GOOGLE PLAYSTORE MENGGUNAKAN METODE SUPPORT VECTOR MACHINE,” STORAGE J. Ilm. Tek. dan Ilmu Komput., vol. 2, no. 3, hal. 118–128, Agu 2023, doi: 10.55123/storage.v2i3.2337.
A. Nursalim dan R. Novita, “Sentiment Analysis of Comments On Google Play Store, Twitter And Youtube to The Mypertamina Application With Support Vector Machine,” J. Tek. Inform., vol. 4, no. 6, 2023, doi: https://doi.org/10.52436/1.jutif.2023.4.6.1059.
S. Supriyatna dan E. Fahrudin, “Pemanfaatan Algoritma Text Mining dalam Menemukan Pola Risiko Bencana sebagai Pengetahuan Kebencanaan dari Dokumen Kajian Risiko Bencana (KRB),” Jitu J. Inform. Utama, vol. 2, no. 1, 2024, doi: https://doi.org/10.55903/jitu.v2i1.164.
D. Wardhani, R. Astuti, dan D. D. Saputra, “Optimasi Feature Selection Text Mining: Stemming dan Stopword untuk Sentimen Analisis Aplikasi SatuSehat,” Innov. J. Soc. Sci. Res., vol. 4, no. 1, 2024, doi: https://doi.org/10.31004/innovative.v4i1.8759.
Y. A. Putri Gabriella, “Optimasi Penerimaan Siswa Baru Dengan Penerapan Algortima Text Mining Dan Tf-Idf,” J. Comput. Informatics Res., vol. 2, no. 3, hal. 110–117, Jul 2023, doi: 10.47065/comforch.v2i3.941.
N. Silalahi dan Guidio Leonarde Ginting, “Rekomendasi Berita Berkaitan dengan Menerapkan Algoritma Text Mining dan TF-IDF,” Bull. Comput. Sci. Res., vol. 3, no. 4, hal. 276–282, Jun 2023, doi: 10.47065/bulletincsr.v3i4.266.
Jan Melvin Ayu Soraya Dachi dan Pardomuan Sitompul, “Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit,” J. Ris. RUMPUN Mat. DAN ILMU Pengetah. ALAM, vol. 2, no. 2, hal. 87–103, Jul 2023, doi: 10.55606/jurrimipa.v2i2.1470.
A. D. W. M. Sidik, I. Himawan Kusumah, A. Suryana, Edwinanto, M. Artiyasa, dan A. Pradiftha Junfithrana, “Gambaran Umum Metode Klasifikasi Data Mining,” Fidel. J. Tek. Elektro, vol. 2, no. 2, hal. 34–38, Mei 2020, doi: 10.52005/fidelity.v2i2.111.
L. Legito et al., “Penerapan Algoritma K-Nearest Neighbor untuk Analisis Sentimen Terhadap Isu Khilafah dan Radikalisme di Indonesia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. 2, hal. 324–330, Nov 2023, doi: 10.57152/malcom.v3i2.893.
A. P. Yudha dan R. P. Cahyono, “Analisis Kepuasan Pengunjung Menggunakan Metode Random Forest Untuk Wisata Pantai pada Pesawaran,” J. Ilmu Data, vol. 2, no. 12, 2022.
M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, dan A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 2, hal. 393–399, Apr 2021, doi: 10.29207/resti.v5i2.3008.
H. N. Irmanda dan Ria Astriratma, “Klasifikasi Jenis Pantun Dengan Metode Support Vector Machines (SVM),” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 4, no. 5, hal. 915–922, Okt 2020, doi: 10.29207/resti.v4i5.2313.
A. P. Giovani, A. Ardiansyah, T. Haryanti, L. Kurniawati, dan W. Gata, “ANALISIS SENTIMEN APLIKASI RUANG GURU DI TWITTER MENGGUNAKAN ALGORITMA KLASIFIKASI,” J. Teknoinfo, vol. 14, no. 2, hal. 115, Jul 2020, doi: 10.33365/jti.v14i2.679.
E. Fitriani, “PERBANDINGAN ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK MENENTUKAN KELAYAKAN PENERIMA BANTUAN PROGRAM KELUARGA HARAPAN,” SISTEMASI, vol. 9, no. 1, hal. 103, Jan 2020, doi: 10.32520/stmsi.v9i1.596.
D. Wijaya, R. A. Saputra, dan F. Irwiensyah, “Analisis Sentimen Ulasan Aplikasi Samsat Digital Nasional Pada Google Playstore Menggunakan Algoritma Naïve Bayes,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 4, 2024.