<![CDATA[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.]]>
Copyrights © 2026
