Analisis Sentimen Komentar YouTube

Bagaimana semua komentar bisa terambil?

Endpoint commentThreads.list hanya mengembalikan maksimal 100 komentar per halaman. Backend Python (Flask) melakukan looping paginasi: setiap respons berisi nextPageToken yang dikirim balik pada request berikutnya, terus-menerus sampai token habis — sehingga 10.000 komentar pun terambil penuh (100 halaman request).

• Library: requests — parameter part=snippet&maxResults=100&order=time
• Hasil disimpan ke cache SQLite selama 6 jam — demo ulang tidak menyedot kuota API.
• Data masih mentah: ada emoji, URL, huruf kapital, bahasa campuran.
• Mode Forum Simulasi: data mentah berasal dari pendapat yang diketik partisipan langsung di website (tersimpan di SQLite) — menggantikan komentar YouTube, pipeline selanjutnya sama persis.

Apa saja yang dibersihkan?

• Lowercase — "GREAT" → "great" agar kata yang sama tidak dihitung ganda.
• Hapus URL, mention (@user), dan hashtag.
• Hapus karakter non-huruf — emoji, angka, tanda baca.
• Normalisasi spasi ganda menjadi satu.

Apa itu token?

Token adalah unit terkecil teks. Pada word tokenization, satu token = satu kata. Hasil tokenisasi inilah yang menjadi bahan seluruh tahap berikutnya.

Mengapa dihapus?

Kata seperti the, is, a, to, this muncul di hampir semua kalimat sehingga tidak membantu membedakan sentimen — malah menambah dimensi data. Daftar yang dipakai: nltk.corpus.stopwords (english, ±180 kata) ditambah slang YouTube (im, dont, gonna).

Catatan: pelabelan (Step 6) bekerja pada teks asli sehingga negasi seperti not good / tidak bagus tetap tertangkap; stop words hanya dibuang saat kata menjadi fitur model.

Topik Bahasa Indonesia: daftar stop words memakai Sastrawi + slang (yg, banget, wkwk, dst).

Algoritma Porter Stemmer (1980) — nltk.stem.PorterStemmer

Stemming memotong imbuhan secara aturan (rule-based): running → run, games → game, amazing → amaz. Hasilnya kadang bukan kata kamus (masterpiece → masterpiec) — itu normal, yang penting kata sejenis menyatu menjadi satu fitur sehingga vocabulary mengecil dan model lebih kuat.

Topik Bahasa Indonesia: memakai Sastrawi (algoritma Nazief–Adriani): mendukung → dukung, kebijakannya → bijak.

Alternatifnya lemmatization (berbasis kamus, lebih akurat tapi lebih lambat); untuk klasifikasi sentimen, stemming sudah memadai dan jauh lebih cepat.

Dari mana label datang?

Komentar YouTube tidak punya label bawaan, padahal Naive Bayes (supervised) butuh target y. Solusinya: VADER (Valence Aware Dictionary for sEntiment Reasoning) — analisis sentimen berbasis leksikon yang disebut langsung di materi ("TextBlob / Vader: analisis sentimen sederhana"). VADER dirancang khusus untuk teks media sosial: ±7.500 kata berbobot, paham negasi ("not good"), penekanan KAPITAL, dan tanda seru.

• Skor compound = agregat bobot kata yang dinormalisasi ke rentang −1 … +1.
• Contoh bobot leksikon: masterpiece = +3.4, love = +3.2, trash = −2.4.
• Library: vaderSentiment.SentimentIntensityAnalyzer — label inilah yang menjadi y untuk training Naive Bayes.
• Topik Bahasa Indonesia: memakai leksikon sentimen Indonesia (±350 kata berbobot −5…+5) dengan penanganan negasi: tidak bagus → −3, kurang setuju → −3; skor > 0 positif, < 0 negatif, = 0 netral.

Rumus sesuai materi

Bag-of-Words (BoW): hitung frekuensi kemunculan tiap kata per dokumen. Kelemahan: kata umum mendominasi.

TF-IDF memberi bobot pada kata berdasarkan seberapa khas kata itu:

N = jumlah seluruh dokumen, df(t) = jumlah dokumen yang memuat kata t. Kata yang muncul di semua dokumen → IDF ≈ 0 (tidak khas). Vocabulary dibatasi min_df=2, max_features=3000.

Implementasi: sklearn.feature_extraction.text.TfidfVectorizer. Catatan jujur: scikit-learn memakai varian smoothed IDF = ln((1+N)/(1+df))+1 untuk training model; tabel di bawah dihitung manual memakai rumus dasar dari materi agar angkanya bisa diverifikasi dengan kalkulator.

Kenapa data dibagi?

• Training set (80%) — bahan belajar model.
• Testing set (20%) — data yang tidak pernah dilihat model, dipakai mengukur performa sesungguhnya. Tanpa pemisahan, model bisa "hafal" jawaban (overfitting) dan akurasinya menipu.

Pembagian dilakukan stratified: proporsi positif/netral/negatif dijaga sama di kedua subset agar adil. Implementasi: sklearn.model_selection.train_test_split(test_size=0.2, stratify=y, random_state=42).

Teorema Bayes

• P(C) — prior: peluang kelas C di data training (lihat tabel di bawah).
• P(X|C) — likelihood: peluang kata-kata X muncul di kelas C.
• P(C|X) — posterior: peluang kelas C jika diberikan komentar X.

Disebut "naive" karena mengasumsikan tiap kata independen — asumsi yang disederhanakan tetapi terbukti sangat efektif untuk teks (filter spam, sentimen). Implementasi: sklearn.naive_bayes.MultinomialNB(alpha=1.0).

Laplace smoothing (α = 1)

Mencegah peluang nol untuk kata yang belum pernah muncul di suatu kelas.

Prediksi

Confusion Matrix & metrik turunannya

Baris = label aktual, kolom = prediksi. Sel hijau (diagonal) = tebakan benar; sel merah = salah tebak.

• Accuracy = (TP+TN) / Total — proporsi seluruh tebakan yang benar.
• Precision = TP / (TP+FP) — dari yang ditebak kelas X, berapa yang benar X?
• Recall = TP / (TP+FN) — dari semua yang sebenarnya X, berapa yang ketemu?
• F1-Score = 2·(P·R)/(P+R) — rata-rata harmonik precision & recall.

Nilai di sini memakai weighted average (dibobot jumlah anggota tiap kelas). Catatan jujur untuk presentasi: karena label dibuat leksikon (bukan anotasi manusia), akurasi mengukur seberapa baik Naive Bayes meniru leksikon — semakin banyak data, biasanya semakin tinggi.