Analisis Diskusi Pengguna Berbasis Komentar YouTube Menggunakan BERTopic: Topic-Temporal Mapping

Irfani, Yaasmiin (2026) Analisis Diskusi Pengguna Berbasis Komentar YouTube Menggunakan BERTopic: Topic-Temporal Mapping. Skripsi thesis, UPN Veteran Yogyakarta.

	Text 124220039_Cover - Irfani Yaasmiin.pdf Download (189kB)
	Text 124220039_Abstrak - Irfani Yaasmiin.pdf Download (231kB)
	Text 124220039_Halaman Pengesahan - Irfani Yaasmiin.pdf Download (640kB)
	Text 124220039_Daftar Isi - Irfani Yaasmiin.pdf Download (218kB)
	Text 124220039_Daftar Pustaka - Irfani Yaasmiin.pdf Download (204kB)
	Text 124220039_Fulltext - Irfani Yaasmiin.pdf Restricted to Repository staff only Download (7MB)

Abstract

Komentar pengguna pada video YouTube merupakan sumber informasi yang mencerminkan opini dan diskusi terhadap isi video. Berbagai penelitian telah memanfaatkan topic modelling untuk mengidentifikasi topik yang dibahas, namun belum mampu menghubungkannya dengan bagian video yang memicu munculnya pembahasan tersebut sehingga hubungan antara diskusi pengguna dan isi video belum dapat dipahami secara temporal. Selain itu, kualitas pemetaan topik terhadap transkrip dipengaruhi oleh representasi transkrip yang dibentuk melalui proses chunking. Oleh karena itu, penelitian ini bertujuan mengimplementasikan Topic-Temporal Distribution Mapping (TTDM) untuk memetakan topik komentar terhadap bagian transkrip video yang relevan serta mengevaluasi pengaruh semantic chunking terhadap kualitas pemetaan temporal.
Penelitian menggunakan data komentar dan transkrip dari lima video pada kanal YouTube GadgetIn. Komentar diproses melalui tahap preprocessing dan dimodelkan menggunakan BERTopic dengan representasi embedding dari model Sentence Transformer paraphrase-multilingual-MiniLM-L12-v2. Transkrip diproses menggunakan empat skenario chunking, yaitu fixed-window chunking, segment-aware chunking, segment-aware chunking dengan topic-shift detection, serta penambahan overlap strategy. Selanjutnya, dilakukan pemetaan temporal menggunakan cosine similarity antara topic centroid dan embedding chunk transkrip. Evaluasi dilakukan menggunakan metrik CV Coherence, Semantic Consistency, Coverage Ratio, dan Window Fragmentation melalui pendekatan ablation study.
Hasil penelitian menunjukkan bahwa BERTopic menghasilkan kualitas topik yang konsisten pada seluruh skenario dengan nilai CV Coherence sebesar 0,4766. Hasil ablation study menunjukkan bahwa segment-aware chunking meningkatkan Coverage Ratio dari 0,8388 menjadi 0,9659, sedangkan kombinasi seluruh mekanisme yang diusulkan menghasilkan pemetaan temporal yang lebih baik dibandingkan fixed-window chunking dengan meningkatkan Coverage Ratio menjadi 0,8875 serta menurunkan Window Fragmentation dari 4,22 menjadi 3,65. Temuan tersebut menunjukkan bahwa strategi pembentukan chunk berpengaruh terhadap kualitas TTDM. Penelitian ini memberikan evaluasi mengenai pengaruh berbagai mekanisme semantic chunking terhadap kualitas Topic-Temporal Distribution Mapping pada komentar video YouTube sebagai dasar pengembangan metode pemetaan temporal pada penelitian selanjutnya.

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	BERTopic, semantic chunking, Topic-Temporal Distribution Mapping, YouTube, topic modelling
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Sistem Informasi
Depositing User:	UPA Perpustakaan
Date Deposited:	11 Nov 2026 02:27
Last Modified:	11 Nov 2026 02:27
URI:	http://eprints.upnyk.ac.id/id/eprint/50315

Actions (login required)

View Item