Analisis Sentimen Komentar YouTube pada Program Clash of Champions Ruangguru Menggunakan Deep Learning Berbasis LSTM

Abstract

The growth of digital platforms such as YouTube has opened massive interactive spaces among users, particularly through comment sections on educational content. This study aims to analyze public sentiment toward Ruangguru's "Clash of Champions" program by utilizing user comments on YouTube and applying the Long Short-Term Memory (LSTM) algorithm. A total of 43,664 comments were collected over 46 days using the YouTube API, then processed through several stages: data preprocessing (text cleaning, tokenizing, stemming), manual sentiment labeling, feature transformation using TF-IDF, and LSTM model training that was fine-tuned with informal Indonesian language data. The classification results show that 72.6% of the comments carry positive sentiment, while 27.4% are negative. Model evaluation using accuracy, precision, recall, and F1-score yielded values of 90%, indicating a stable and reliable classification performance. These findings demonstrate the effectiveness of LSTM in capturing sentiment patterns within informal and local language texts and contribute by presenting a deep learning-based approach to analyze public opinion toward educational digital content in Indonesia.

Abstrak

Pertumbuhan platform digital seperti YouTube telah membuka ruang interaksi yang masif antar pengguna, khususnya melalui kolom komentar pada konten edukatif. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap program "Clash of Champions" dari Ruangguru dengan memanfaatkan komentar pengguna di YouTube dan menggunakan algoritma Long Short-Term Memory (LSTM). Sebanyak 43.664 komentar dikumpulkan selama 46 hari menggunakan YouTube API, kemudian diproses melalui tahap data preprocessing (text cleaning, tokenizing, stemming), pelabelan sentimen secara manual, transformasi fitur menggunakan TF-IDF, dan pelatihan model LSTM yang telah difine-tuning dengan data relevan berbahasa Indonesia informal. Hasil klasifikasi menunjukkan bahwa 72,6% komentar bersentimen positif dan 27,4% bersentimen negatif. Evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score dengan nilai mencapai 90%, menunjukkan bahwa model memiliki kemampuan klasifikasi yang stabil dan andal. Temuan ini menunjukkan efektivitas LSTM dalam menangkap pola sentimen pada data teks yang bersifat informal dan lokal, serta memberikan kontribusi dengan menyajikan pendekatan berbasis deep learning untuk analisis opini publik terhadap konten edukatif digital di Indonesia.