Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Wella Vernanda Meilasaroh
Teknik Informatika Universitas Nahdlatul Ulama Sunan Giri Bojonegoro
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

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

Found 1 Documents
Search

 1 
ANALISIS SENTIMEN PUBLIK TERHADAP CHATGPT: PERBANDINGAN LOGISTIC REGRESSION DAN DISTILBERT Wella Vernanda Meilasaroh; Afril Efan Pajri; Denny Nurdiansyah
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 6 No. 2: JULI 2026
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v6i2.1644

Abstract

Tujuan penelitian ini adalah menganalisis opini publik terhadap ChatGPT berdasarkan ulasan pengguna di Google Play Store, juga mengkomparasikan kinerja dua metode klasifikasi sentimen: Logistic Regression (klasik) + TF-IDF dan DistilBERT (Transformer modern). Dataset dari ChatGPT Reviews Daily Updated yang diproses melalui prapemrosesan teks, pelabelan sentimen, pembentukan fitur, pelatihan model, dan evaluasi performa. Hasil menunjukkan dominasi sentimen positif (87,41%) dan karakteristik teks yang sangat pendek (1–10 kata). Logistic Regression mencapai akurasi 88,39% dan F1-Score 84,12%, tetapi gagal mengenali kelas minoritas karena ketidakseimbangan data. Sedangkan DistilBERT mencapai akurasi 89,57% dan F1-Score 87,35%, dengan kemampuan jauh lebih baik dalam mengklasifikasikan sentimen negatif dan netral. Hal ini menunjukkan bahwa model Transformer lebih mampu memahami konteks semantik dan tahan terhadap variasi bahasa informal. Secara keseluruhan, opini publik terhadap ChatGPT sangat positif, dan DistilBERT terbukti lebih efisien untuk menganalisis ulasan aplikasi dengan distribusi kelas tidak seimbang dan teks pendek. Penelitian ini memberikan dasar empiris dalam memilih model NLP untuk analisis sentimen terkait teknologi generatif.
Co-Authors Afril Efan Pajri Denny Nurdiansyah