Data-Driven Insights into Social Media Engagement and Sentiment

Abstract

Pertumbuhan eksponensial platform berbagi video, khususnya YouTube, telah secara fundamental mengubah lanskap media digital di Indonesia dan menghasilkan data pengguna tidak terstruktur dalam volume masif. Meskipun Indonesia berstatus sebagai salah satu pasar global terbesar, penelitian empiris yang membahas dinamika keterlibatan pengguna, viralitas konten, dan preferensi algoritmik melalui perspektif Big Data masih sangat terbatas. Penelitian ini menginvestigasi pola keterlibatan penonton dan distribusi sentimen berbasis data dalam ekosistem YouTube di Indonesia. Dengan menggunakan Big Data Analytics, penelitian ini mengekstraksi dan menganalisis metadata, statistik video, serta komentar penonton dari berbagai kanal populer lokal. Pendekatan komputasi digunakan dalam kerangka kerja Knowledge Discovery in Databases (KDD), yang mengintegrasikan ekstraksi data otomatis melalui YouTube Data API dan algoritma machine learning untuk menganalisis pola keterlibatan pengguna serta distribusi sentimen dalam lanskap digital di Indonesia. Hasil temuan menunjukkan adanya korelasi yang kuat antara resonansi budaya lokal, pola waktu unggah yang optimal, dan tingkat retensi penonton yang persisten. Lebih lanjut, analisis sentimen mengungkapkan bahwa konten interaktif berbasis komunitas secara signifikan memengaruhi algoritma rekomendasi, sehingga memperluas jangkauan dan umur konten. Penelitian ini berkontribusi pada bidang Analitika Data dengan menawarkan kerangka kerja empiris baru yang mengungkap perilaku algoritma di ekonomi digital yang berkembang pesat. Wawasan ini sangat penting bagi kreator konten, pemasar digital, dan pembuat kebijakan untuk mengoptimalkan strategi digital di Indonesia.

The exponential growth of video-sharing platforms, particularly YouTube, has fundamentally transformed the digital media landscape in Indonesia and generated massive volumes of unstructured user data. Although Indonesia is one of the largest global markets, empirical research examining user engagement dynamics, content virality, and algorithmic preferences through a Big Data perspective remains very limited. This study investigates viewer engagement patterns and sentiment distribution based on data within the YouTube ecosystem in Indonesia. Using Big Data Analytics, this study extracts and analyzes metadata, video statistics, and viewer comments from various popular local channels. A computational approach is employed within the Knowledge Discovery in Databases (KDD) framework, which integrates automated data extraction via the YouTube Data API and machine learning algorithms to analyze user engagement patterns and sentiment distribution within Indonesia’s digital landscape. The findings reveal a strong correlation between local cultural resonance, optimal posting times, and sustained audience retention rates. Furthermore, sentiment analysis indicates that community-based interactive content significantly influences recommendation algorithms, thereby expanding the reach and lifespan of content. This research contributes to the field of Data Analytics by offering a new empirical framework that uncovers algorithmic behavior in the rapidly evolving digital economy. These insights are crucial for content creators, digital marketers, and policymakers to optimize their digital strategies in Indonesia.