PENGELOMPOKAN OPINI PENGGUNA PADA KOMENTAR VIDEO YOUTUBE TENTANG BELAJAR STRATEGI MIE GACOAN MENGGUNAKAN ALGORITMA K-MEANS

Rahmat Hidayat, Haris Tri Saputra, Mirdatul Husnah, Ikhwanul Fadli, M. Anjas Avin Faridas, Salma Suhaimah, Juwi Retno Asih, Alkas Mita

Sari


Penelitian ini menggunakan algoritma K-Means untuk menggabungkan pendapat pengguna dalam komentar video YouTube tentang strategi pemasaran Mie Gacoan. Platform seperti YouTube berfungsi sebagai sarana penting bagi masyarakat untuk berbagi pendapat dan informasi di era internet saat ini. Sangat penting untuk melihat komentar pelanggan untuk mengetahui bagaimana mereka melihat produk dan strategi pemasaran yang digunakan. Teknik crawling digunakan untuk mendapatkan data komentar sebanyak 1.846 dari akun YouTube @RaymondChins. Sebelum pengolahan data dilakukan, langkah-langkah cleaning, case folding, tokenization, stopword removal, dan stemming adalah bagian dari proses pengolahan data. Studi ini berhasil menemukan pola sentimen dalam komentar yang dibagi menjadi beberapa kelompok, masing-masing menunjukkan tanggapan positif, negatif, atau netral, dengan menggunakan algoritma K-Means. Hasil analisis menunjukkan bahwa algoritma ini mengungkap persepsi masyarakat terhadap Mie Gacoan secara efektif. Selain itu, mereka memberi pemasar informasi penting untuk membangun strategi yang lebih tepat sasaran. Penelitian ini tidak hanya meningkatkan pemahaman tentang pemasaran digital, tetapi juga menunjukkan bagaimana perusahaan dapat menangani persepsi konsumen di media sosial dengan menganalisis data komentar. Oleh karena itu, penelitian ini memungkinkan pengembangan lebih lanjut dengan menggunakan teknik analisis yang lebih kompleks untuk memahami lebih dalam tentang perasaan pengguna terhadap merek.

Teks Lengkap:

PDF

Referensi


M. W. Qasthari and R. Kurniawan, “Penggunaan Algoritma K-Means Clustering untuk Mengelompokkan Pemain Berdasarkan Gaya Bermain Pada Battle Royale Call of Duty Mobile,” Futur. Acad. J. Multidiscip. Res. Sci. Adv., vol. 2, no. 3, pp. 280–292, 2024, doi: 10.61579/future.v2i3.177.

L. Faizal, “Implementasi Algoritma K-Means untuk Mengelompokkan Data Tingkat Kemiskinan di Sulawesi Selatan Berdasarkan Kota / Kabupaten,” vol. 7, 2024.

R. Maulana and M. E. Saputri, “Pengaruh Kualitas Pelayanan, Persepsi Harga Dan Strategi Pemasaran Terhadap Kepuasan Pelanggan Pada Mie Gacoan Karawang,” J. Lentera Bisnis, vol. 13, no. 1, p. 304, 2024, doi: 10.34127/jrlab.v13i1.997.

S. I. Safitri, C. Suhery, and S. Bahri, “Implementasi Algoritma K – Means Untuk Clustering Sentimen Pada Opini Kualitas Pelayanan Jasa Penerbangan,” Coding J. Komput. dan Apl., vol. 9, no. 02, p. 186, 2021, doi: 10.26418/coding.v9i02.47377.

F. R. Ramadhan, H. S. Wijoyo, and C. M. Saputra, “Penerapan Metode K-Means Clustering pada Ulasan Perumahan PT XYZ di Google Maps untuk Formulasi Strategi Bisnis dengan Analisis SWOT,” JPTIIK (Jurnal Pengemb. Teknol. Inf. dan Ilmu Komputer), vol. 7, no. 6, pp. 2879–2888, 2023, [Online]. Available: http://j-ptiik.ub.ac.id

F. Alghifari Suhardi, A. Saputro, A. Sri Nugroho, and J. Heikal, “Digital Marketing Analysis of Mie Gacoan Customer at Jakarta Using RFM and K-Means Clustering Methode,” J. Econ. Bus. UBS, vol. 13, no. 2, pp. 428–437, 2024, doi: 10.52644/joeb.v13i2.312.

N. Purnomo and W. Gata, “Pengelompokan Analisis Sentimen Komentar Youtube Terhadap Pengambilalihan Jalan Rusak di Lampung Menggunakan Algoritma Clustering,” 2023.

A. R. Lahitani, “Automated Essay Scoring menggunakan Cosine Similarity pada Penilaian Esai Multi Soal,” J. Kaji. Ilm., vol. 22, no. 2, pp. 107–118, 2022, doi: 10.31599/jki.v22i2.1121.

K. Yolanda, Y. Yusra, and M. Fikry, “Klasifikasi Sentimen Ulasan Aplikasi WhatsApp di Play Store Menggunakan Naive Bayes Classifier,” J-Intech, vol. 11, no. 1, pp. 1–9, 2023, doi: 10.32664/j-intech.v11i1.867.

L. H. Pramono and C. Subiyantoro, “Pengaruh Stemming Terhadap Ekstraksi Topik Menggunakan Metode Tf*Idf*Df Pada Aplikasi Pds,” JIKO (Jurnal Inform. dan Komputer), vol. 2, no. 1, pp. 15–23, 2017, doi: 10.26798/jiko.2017.v2i1.57.

Yeni Anistyasari and Eko Hariadi, “Algoritma baru pembentukan kata dasar,” Pros. SNRT (Seminar Nas. Ris. Ter., vol. 5662, no. November, pp. 70–76, 2019.

N. A. Maori and E. Evanita, “Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.

A. Basri et al., “Penentuan Jumlah Klaster Terbaik pada K-Means dalam Melihat Pola Pengelompokan Data Mahasiswa yang Telah Lulus,” JATI (Jurnal Jar. dan Teknol. Inf. ) , vol. 3, no. 1, pp. 80–86, 2023, doi: 00.0000/jati.

D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.

H. Al Rasyid, B. F. K. Soebari, and D. S. Y. Kartika, “Implementasi Algoritma K-Means Clustering Untuk Pengelompokan Penjualan Produk Pada Online Shop Toko Gizi,” Pros. Semin. Nas. Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 242–248, 2022, doi: 10.33005/sitasi.v2i1.304.

M. Darwis, L. H. Hasibuan, M. Firmansyah, N. Ahady, and R. Tiaharyadini, “Implementation of K-Means clustering algorithm in mapping the groups of graduated or dropped-out students in the Management Department of the National University,” JISA(Jurnal Inform. dan Sains), vol. 4, no. 1, pp. 1–9, 2021, doi: 10.31326/jisa.v4i1.848.




DOI: https://doi.org/10.47007/komp.v9i02.8808

Refbacks

  • Saat ini tidak ada refbacks.


VISITOR COUNTER:

gerEGGe

 

Web Analytics Made Easy - Statcounter View My Stats