Analisis Topik Komentar Youtube pada Lagu Tema FIFA World Cup 2026 Menggunakan LDA
Keywords:
FIFA World Cup 2026, Komentar Youtube, Latent Dirichlet Allocation, Topic Modeling, Web ScrapingAbstract
Komentar yang ditinggalkan pengguna pada platform YouTube dapat dimanfaatkan untuk memahami berbagai respons publik terhadap suatu konten digital. Penelitian ini berfokus pada identifikasi pola pembahasan yang muncul pada komentar video musik Lighter yang digunakan sebagai lagu resmi FIFA World Cup 2026. Data penelitian berupa 398 komentar berbahasa Inggris diperoleh melalui proses web scraping menggunakan platform Apify. Sebelum dianalisis, data melalui serangkaian tahapan preprocessing yang mencakup pembersihan teks, tokenisasi, penghapusan stopword, pembentukan bigram, dan lemmatization. Proses ekstraksi topik dilakukan menggunakan metode Latent Dirichlet Allocation (LDA) untuk menemukan kelompok pembahasan yang dominan dalam kumpulan komentar. Hasil pemodelan menunjukkan tiga tema utama yang berkaitan dengan penilaian terhadap kualitas musik, tanggapan mengenai kesesuaian lagu dengan atmosfer sepak bola, dan diskusi umum seputar video musik FIFA. Evaluasi menggunakan coherence score menghasilkan nilai 0,466 yang mengindikasikan bahwa topik yang terbentuk memiliki tingkat konsistensi yang cukup baik untuk diinterpretasikan. Temuan penelitian menunjukkan bahwa pendekatan LDA mampu digunakan sebagai metode yang efektif dalam mengidentifikasi kecenderungan pembahasan dan opini pengguna pada komentar YouTube berbasis teks pendek.
References
Aiswarya, A., & Rajeev, H. (2024). Youtube comment sentimental analysis. Indian Journal of Data Mining, 4 (1), 5–8. https://doi.org/10.54105/ijdm.A1633.04010524
Alpiana, V., Salam, A., Alzami, F., Rizqa, I., & Aqmala, D. (2024). Analisis topic-modelling menggunakan Latent Dirichlet Allocation (LDA) pada ulasan sosial media YouTube. Jurnal Media Informatika Budidarma, 8 (1), 332–341. https://doi.org/10.30865/mib.v8i1.7127
Bergamini Gomes, G. B., & Attux, R. (2023). Contributions to social media analysis based on topic modelling. Anais do XI Symposium on Knowledge Discovery, Mining and Learning (KDMiLe 2023), 113–120. https://doi.org/10.5753/kdmile.2023.231795
Egger, R., & Yu, J. (2022). A topic modeling comparison between LDA, NMF, Top2Vec, and BERTopic to demystify Twitter posts. Frontiers in Sociology, 7, Article 886498. https://doi.org/10.3389/fsoc.2022.886498
Giri, R., Sirsath, M., & Kanakia, H. T. (2024). Youtube comments sentiment analysis. In 2024 IEEE 9th International Conference for Convergence in Technology (I2CT) (pp. 1–4). IEEE. https://doi.org/10.1109/I2CT61223.2024.10544022
Nanayakkara, A. C., & Thennakoon, G. A. D. M. (2024). Enhancing social media content analysis with advanced topic modeling techniques: A comparative study. International Journal on Advances in ICT for Emerging Regions, 17 (1), 40–47. https://doi.org/10.4038/icter.v17i1.7276
S, D., Deep, A., Mishra, A., Mishra, A. C., & Gangoor, S. A. (2024). Youtube comments scraping and sentiment analysis. International Journal of Scientific Research in Engineering and Management, 8 (4), 1–5. https://doi.org/10.55041/IJSREM32103
Su, L. Y.-F., Chen, T., Ng, Y. M. M., Gong, Z., & Wang, Y.-C. (2024). Integrating human insights into text analysis: Semi-supervised topic modeling of emerging food-technology businesses’ brand communication on social media. Social Science Computer Review, 42 (2), 416–437. https://doi.org/10.1177/08944393231184532
Wyskwarski, M. (2024). Uncovering topics in YouTube comments on electric vehicles using Latent Dirichlet Allocation. Scientific Papers of Silesian University of Technology: Organization and Management Series, 210, 671–686. https://doi.org/10.29119/1641-3466.2024.210.44
