View/Open

Author
PRESILIA,

Date Published
27 Jul 2026

Advisor
M. Syamsuddin Wisnubroto, S.Si., M.Si.,
Rohmi Dyah Astuti, S.Si., M.Cs.,

Subject
Sains Data

Publisher

Komentar YouTube pada karya musik memuat opini, emosi, dan pengalaman pendengar, tetapi cenderung menggunakan bahasa informal, ekspresif, dan kontekstual sehingga menjadi tantangan dalam analisis sentimen. Penelitian ini bertujuan membandingkan performa CNN, BiLSTM, dan CNN-BiLSTM dengan FastText embedding dalam mengklasifikasikan sentimen komentar YouTube terhadap karya musik Frank Ocean ke dalam kelas positif, negatif, dan netral. Data dikumpulkan melalui scraping menggunakan YouTube Data API dan menghasilkan 8.901 komentar, kemudian melalui pelabelan manual, preprocessing teks, deduplikasi, filtering, splitting data, tokenisasi, padding, pembentukan embedding matrix, serta pelatihan model. Setelah deduplikasi dan filtering, data yang digunakan dalam pemodelan berjumlah 8.731 komentar. Ketidakseimbangan kelas ditangani menggunakan class weight, sedangkan evaluasi model dilakukan berdasarkan accuracy, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa CNN-BiLSTM memberikan performa terbaik secara keseluruhan dengan macro F1-score sebesar 0,768450 dan accuracy sebesar 0,780153. Hasil prediksi model terbaik menunjukkan bahwa sentimen komentar didominasi kelas netral, diikuti positif, sedangkan negatif memiliki jumlah paling sedikit. Dengan demikian, CNN-BiLSTM dengan FastText embedding relevan digunakan untuk analisis sentimen komentar musik YouTube yang bersifat informal, ekspresif, dan kontekstual.

URI
https://repo.itera.ac.id/depan/submission/SB2607210028

Keyword
Analisis Sentimen BiLSTM CNN CNN-BiLSTM FastText Embedding