Analisis Stimulus Visual terhadap Lonjakan Emosi Teks dan Keterlibatan Pengguna pada Platform YouTube
Keywords:
Analisis Sentimen, IndoBERT, Keterlibatan Pengguna, Stimulus Visual, YouTube, Text miningAbstract
Penelitian mengenai sentimen komentar YouTube umumnya berhenti pada pelaporan distribusi sentimen secara agregat, tanpa menelusuri kapan lonjakan emosi tekstual terjadi maupun keterkaitannya dengan tingkat keterlibatan pengguna (user interest level). Celah inilah yang menjadi permasalahan utama penelitian ini. Penelitian ini bertujuan mengidentifikasi periode lonjakan emosi tekstual, mengukur keterkaitannya dengan keterlibatan pengguna, serta menginterpretasikan kaitannya dengan stimulus visual pada video YouTube, sebagai kontribusi berupa kerangka analisis yang menggabungkan dimensi distribusi, temporal, dan keterlibatan sekaligus. Sebanyak 12.731 komentar dihimpun menggunakan YouTube Data API v3 dari video yang membahas isu ijazah Presiden Joko Widodo, lalu diklasifikasikan sentimennya menggunakan model IndoBERT ke dalam tiga kelas positif, netral, dan negatif, dikelompokkan berdasarkan hari, serta dihitung rata-rata like dan panjang komentar pada tiap kelas sentimen. Hasil analisis menunjukkan sentimen negatif mendominasi dengan proporsi 65,9% (8.393 komentar), diikuti positif 17,9% (2.285) dan netral 16,1% (2.053). Teridentifikasi lonjakan volume komentar yang tajam pada satu hari tertentu, yaitu 7.345 komentar atau 57,7% dari keseluruhan data hanya dalam 24 jam, yang diduga berkaitan dengan stimulus visual berupa penayangan atau viralnya video tersebut. Dari sisi keterlibatan, komentar positif memperoleh rata-rata like tertinggi (8,21), melampaui netral (3,52) dan negatif (0,45), sementara komentar negatif justru lebih panjang secara tekstual (116,3 berbanding 66,6-80,2 karakter). Temuan ini mengindikasikan bahwa stimulus visual berkaitan dengan lonjakan volume dan intensitas emosi tekstual, sekaligus membentuk pola keterlibatan pengguna yang terukur dan berbeda antar kategori sentimen.
References
[1] R. Nasrullah, Media Sosial Perspektif Komunikasi, BuDaya, dan Sosioteknologi, Edisi Revisi. Bandung Simbiosa Rekatama Media, 2023.
[2] C. Juditha, “The phenomenon of ‘Indonesia Gelap’ on social media Sentiment analysis and public opinion polarization,” Jurnal komunikasi, vol. 17, no. 1, pp. 157–170, 2025, doi 10.24912/jk.v17i1.33846.
[3] M. P. Firdaus and D. Trisnawarman, “Analisis Sentimen Publik terhadap Program Tabungan Perumahan Rakyat Menggunakan Model IndoBERT Lite pada Komentar YouTube,” MALCOM Indonesian Journal of Machine learning and Computer Science, vol. 5, no. 1, pp. 359–368, 2025, doi 10.57152/malcom.v5i1.1744.
[4] H. Imaduddin, F. Y. A’la, and Y. S. Nugroho, “Sentiment analysis in Indonesian healthcare applications using IndoBERT approach,” International Journal of Advanced Computer Science and Applications, vol. 14, no. 8, 2023, doi 10.14569/ijacsa.2023.0140813.
[5] V. D. Setiawan, D. U. Iswavigra, and E. Anggiratih, “Implementation of IndoBERT for sentiment analysis of the constitutional court’s decision regarding the minimum age of vice presidential candidates,” Scientific Journal of Informatics, vol. 12, no. 3, pp. 397–406, 2025, doi 10.15294/sji.v12i3.26320.
[6] L. Geni, E. Yulianti, and D. I. Sensuse, “Sentiment analysis of tweets before the 2024 elections in Indonesia using Bert language models,” Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, vol. 9, no. 3, pp. 746–757, 2023, doi 10.26555/jiteki.v9i3.26490.
[7] M. R. Manoppo et al., “Analisis Sentimen Publik Di Media Sosial Terhadap Kenaikan Ppn 12% Di Indonesia Menggunakan Indobert,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 4, no. 2, pp. 152–163, 2025, doi 10.69916/jkbti.v4i2.322.
[8] F. M. HiDayat and H. Sanjaya, “Analisis Sentimen Publik Terhadap Penjualan Iphone 16 Dan Kebijakan Tkdn Di Indonesia,” INFOTECH journal, vol. 11, no. 1, pp. 74–80, 2025, doi 10.31949/infotech.v11i1.13159.
[9] S. Maratus Sholihah, A. E. Pajri, and I. A. Sa’ida, “Analisis Sentimen Komentar iPhone 17 pada Platform YouTube Menggunakan IndoBERT dan Support Vector Machine,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 7, no. 3, pp. 933–945, 2026, doi 10.30865/json.v7i3.9507.
[10] H. Jayadianti, W. Kaswidjanti, A. T. Utomo, S. Saifullah, F. A. Dwiyanto, and R. Drezewski, “Sentiment analysis of Indonesian reviews using fine tuning IndoBERT and R-CNN,” ILKOM Jurnal Ilmiah, vol. 14, no. 3, pp. 348–354, 2022, doi 10.33096/ilkom.v14i3.1505.348-354.
[11] K. S. Nugroho, A. Y. Sukmadewa, H. W. Dw, F. A. Bachtiar, and N. Yudistira, “BERT Fine tuning for Sentiment Analysis on Indonesian Mobile Apps Reviews,” Jul. 2021.
[12] P. A. A. Wijaya, I. M. Dika Anggara, I. K. Hendra Trinium Jaya, G. Indrawan, and I. M. Agus Oka Gunawan, “Comprehensive analysis of teacher teaching performance through sentiment and POS tagging,” Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), vol. 12, no. 3, p. 147, 2024, doi 10.24843/jim.2024.v12.i03.p02.
[13] D. Al Akhdaan, Taufik Edy Sutanto, and Muhaza Liebenlito, “Confident Learning pada IndoBERT Peningkatan Kinerja Klasifikasi Sentimen,” The Indonesian Journal of Computer Science, vol. 13, no. 5, Oct. 2024, doi 10.33022/ijcs.v13i5.4401.
[14] S. Imron, E. I. Setiawan, and J. Santoso, “Deteksi Aspek Review E-Commerce Menggunakan IndoBERT Embedding dan CNN,” INSYST Journal of Intelligent System and Computation, vol. 5, no. 1, pp. 10–16, Apr. 2023, doi 10.52985/insyst.v5i1.267.
[15] S. A. S. Mola, R. V. K. I. O. Roma, and T. Widiastuti, Text mining Analisis Sentimen dengan Lexicon. Kota Bandung Kaizen Media Publishing, 2025.
[16] C. A. A. Soemedhy, N. Trivetisia, N. A. Winanti, D. P. Martiyaningsih, T. W. Utami, and S. Sudianto, “Analisis Komparasi Algoritma Machine learning untuk Sentiment Analysis (Studi Kasus Komentar YouTube ‘Kekerasan Seksual’),” Jurnal informatika jurnal pengembangan IT, vol. 7, no. 2, pp. 80–84, 2022, doi 10.30591/jpit.v7i2.3547.
[17] D. A. Putranto, S. Butsianto, and A. P. Riandani, “Analisis Sentimen Komentar YouTube Tentang Bencana Banjir Di Sumatera Menggunakan Support Vector Machine,” Jurnal Tekno Kompak, vol. 20, no. 2, pp. 733–747, Jun. 2026, doi 10.33365/jtk.v20i2.2059.
[18] C. Andrew, A. Budiyantara, and I. Lewenusa, “Analisis Sentimen Komentar Pengguna YouTube untuk Ponsel di Indonesia Berbasis Web,” Scientica Jurnal Ilmiah Sains dan Teknologi, vol. 3, no. 2, pp. 175–188, Nov. 2024.
[19] R. Merdiansah, S. Siska, and A. Ali Ridha, “Analisis Sentimen Pengguna X Indonesia Terkait Kendaraan Listrik Menggunakan IndoBERT,” Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 7, no. 1, pp. 221–228, Mar. 2024, doi 10.55338/jikomsi.v7i1.2895.
[20] G. Hakim, T. N. Fatyanosa, and A. W. Widodo, “Analisis Sentimen Masyarakat terhadap Kereta Cepat Whoosh pada Platform X menggunakan IndoBERT,” 2024. [Online]. Available http//j-ptiik.ub.ac.id
[21] P. N. Jailan, Komunikasi Perubahan Sosial Di Era Digital. Sleman Deepublish, 2023.
[22] A. N. A. Saputra, R. E. Saputro, and D. I. S. Saputra, “Enhancing Sentiment Analysis Accuracy Using SVM and Slang Word Normalization on YouTube Comments,” Sinkron jurnal dan penelitian teknik informatika, vol. 9, no. 2, pp. 687–699, Apr. 2025, doi 10.33395/sinkron.v9i2.14613.
[23] A. Simanjuntak et al., “Research and Analysis of IndoBERT Hyperparameter Tuning in Fake News Detection,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 13, no. 1, Feb. 2024, doi 10.22146/jnteti.v13i1.8532.
[24] Wildan Amru HiDayat and V. R. S. Nastiti, “Perbandingan Kinerja Pre-Trained Indobert-Base Dan Indobert-Lite Pada Klasifikasi Sentimen Ulasan Tiktok Tokopedia Seller Center Dengan Model Indobert,” JSiI (Jurnal Sistem Informasi), vol. 11, no. 2, pp. 13–20, Sep. 2024, doi 10.30656/jsii.v11i2.9168.
[25] J. Pranata, S. Agustian, J. Jasril, and E. Haerani, “Penggunaan Model Bahasa indoBERT pada metode Random Forest untuk Klasifikasi Sentimen dengan Dataset Terbatas,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, Dec. 2024, doi 10.47065/bits.v6i3.6335.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Komputer dan Informatika (JSON)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
