ANALISIS SENITMEN KOMENTAR YOUTUBE TENTANG
DEMAM BERDARAH DENGUE MENGGUNAKAN NAIVE
BAYES DENGAN PENERAPAN SMOTE
Andi Rasyidin; Arafat Febriandirza;
No. Panggil: eSTI-2103015051
Analisis Sentimen Komentar YouTube Tentang Demam Berdarah Dengue
Menggunakan Naive Bayes Dengan Penerapan
Andi Rasyidin
Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap Demam Berdarah Dengue
(DBD), suatu penyakit yang masih menjadi masalah kesehatan serius di negara-negara tropis seperti
Indonesia. Permasalahan ini dieksplorasi melalui analisis sentimen terhadap 1.058 komentar
pengguna yang diambil dari empat video YouTube terkait DBD, gejala, pengobatan, dan pemulihan.
Prapemrosesan teks diterapkan pada komentar, diikuti dengan pelabelan sentimen menggunakan
InSet Lexicon, dan klasifikasi menggunakan algoritma Multinomial Naive Bayes. Untuk mengatasi
ketidakseimbangan kelas, metode SMOTE (Synthetic Minority Oversampling Technique) diterap-
kan. Dataset dibagi menjadi tiga rasio (70:30, 80:20, dan 90:10) untuk mengevaluasi kinerja model
menggunakan Balanced Accuracy, AUC Score, dan G-Mean. Hasil penelitian menunjukkan bahwa
penerapan SMOTE secara signifikan meningkatkan kemampuan model untuk mengklasifikasikan
kelas minoritas. Performa terbaik dicapai dengan rasio uji-latihan 70:30, menghasilkan Akurasi
Seimbang sebesar 0,7818, Skor AUC sebesar 0,9357, dan G-Mean sebesar 0,8396. Temuan ini me-
nunjukkan bahwa Naive Bayes dengan penerapan SMOTE efektif untuk klasifikasi sentimen data
media sosial yang tidak seimbang dan dapat mendukung strategi komunikasi kesehatan masyarakat.
Kata kunci: analisis sentimen, demam berdarah, Youtube, Naive Bayes, SMOTE
Sentiment Analysis of YouTube Comments About Dengue Fever Using Naive
Bayes With Smote Implementation
Andi Rasyidin
This study aims to analyze public sentiment towards Dengue Hemorrhagic Fever (DHF), a disease
that remains a serious health problem in tropical countries such as Indonesia. This problem is ex-
plored through sentiment analysis of 1,058 user comments taken from four YouTube videos related
to DHF, symptoms, treatment, and recovery. Text preprocessing is applied to the comments, fol-
lowed by sentiment labeling using InSet Lexicon, and classification using the Multinomial Naive
Bayes algorithm. To address class imbalance, the SMOTE (Synthetic Minority Oversampling Tech-
nique) method is applied. The dataset is divided into three ratios (70:30, 80:20, and 90:10) to eval-
uate model performance using Balanced Accuracy, AUC Score, and G-Mean. The results show that
the application of SMOTE significantly improves the model's ability to classify the minority class.
The best performance was achieved with a test-training ratio of 70:30, resulting in a Balanced Ac-
curacy of 0.7818, an AUC Score of 0.9357, and a G-Mean of 0.8396. These findings indicate that
Naive Bayes with SMOTE implementation is effective for sentiment classification of imbalanced
social media data and can support public health communication strategies.
Keywords: sentiment analysis, dengue, Youtube, Naive Bayes, SMOTE
