Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Multidisciplinary on Social and Technology
Hanun Syahidah Ulfya
Universitas Ibn Khaldun Bogor
Computer Science & IT Economics, Econometrics & Finance Engineering Social Sciences

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Sentimen Opini Twitter (X) terhadap Penggunaan ChatGPT dalam Pendidikan Tinggi dengan Perbandingan Algoritma Naïve Bayes, Support Vector Machine, dan K-Nearest Neighbors Salma Difa Aristawidya; Tabita Nurtirta Purwita Sari; Hanun Syahidah Ulfya; Adinda Aghnia Fatihin; Hanif Zaidan Sinaga
Indonesian Journal of Multidisciplinary on Social and Technology Vol. 4 No. 3 (2026): Juli - Oktober
Publisher : PT Ilmu Data Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijmst.v4i3.11803

Abstract

Penelitian ini bertujuan untuk menganalisis sentimen opini Twitter (X) terhadap penggunaan ChatGPT dalam pendidikan tinggi serta membandingkan kinerja algoritma Naïve Bayes, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN) dalam proses klasifikasi sentimen. Dataset yang digunakan diperoleh dari Kaggle dan terdiri atas 1.153 data opini yang telah memiliki label sentimen positif, netral, dan negatif. Tahapan penelitian meliputi preprocessing data, ekstraksi fitur menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), seleksi fitur menggunakan Chi-Square, klasifikasi sentimen, serta evaluasi model menggunakan metode Stratified 10-Fold Cross Validation dengan metrik Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil penelitian menunjukkan bahwa distribusi sentimen didominasi oleh sentimen negatif sebesar 40%, diikuti sentimen positif sebesar 35%, dan sentimen netral sebesar 25%. Berdasarkan hasil perbandingan algoritma, Support Vector Machine (SVM) memperoleh performa terbaik dengan tingkat akurasi sebesar 61,75%, diikuti oleh Naïve Bayes sebesar 58,20%, dan K-Nearest Neighbors (KNN) sebesar 44,41%. Hasil tersebut menunjukkan bahwa SVM memiliki performa relatif terbaik dibandingkan Naïve Bayes dan KNN, meskipun nilai akurasi yang diperoleh menunjukkan bahwa klasifikasi opini Twitter (X) masih menghadapi tantangan akibat kompleksitas bahasa informal, ambiguitas sentimen, dan konteks penggunaan ChatGPT dalam pendidikan tinggi.
Co-Authors Adinda Aghnia Fatihin Hanif Zaidan Sinaga Salma Difa Aristawidya Tabita Nurtirta Purwita Sari