PERBANDINGAN ALGORITMA NAIVE BAYES DAN SUPPORT VECTOR MACHINE PADA ANALISIS SENTIMEN CHATGPT

Abstract

Perkembangan penggunaan ChatGPT di berbagai bidang menimbulkan beragam opini publik di media sosial X, sehingga analisis sentimen menjadi penting untuk memahami persepsi pengguna terhadap teknologi kecerdasan buatan berbasis chatbot. Penelitian ini dilakukan untuk menganalisis sentimen publik terhadap penggunaan ChatGPT di media sosial X serta membandingkan performa algoritma Naive Bayes dan Support Vector Machine (SVM) dalam klasifikasi sentimen berbasis teks. Dataset yang digunakan diperoleh dari platform Kaggle yang berisi sekitar 500.000 data tweet terkait ChatGPT. Dalam penelitian ini digunakan sebanyak 50.000 data tweet sebagai sampel penelitian. Tahapan preprocessing meliputi cleaning, case folding, tokenizing, stopword removal, dan normalisasi kata. Selanjutnya, metode TF-IDF digunakan untuk ekstraksi fitur teks. Dataset dibagi menjadi data training dan testing dengan rasio 80:20 menggunakan stratified split untuk menjaga distribusi kelas sentimen. Proses klasifikasi dilakukan menggunakan algoritma Multinomial Naive Bayes dan SVM dengan linear kernel. Evaluasi model dilakukan menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma SVM memiliki performa lebih baik dengan akurasi sebesar 94,37%, sedangkan Naive Bayes memperoleh akurasi sebesar 77,21%. Performa SVM yang lebih tinggi dipengaruhi oleh kemampuannya dalam menangani data berdimensi tinggi hasil transformasi TF-IDF dan menghasilkan batas pemisah kelas yang lebih optimal. Penelitian ini diharapkan dapat menjadi referensi dalam pemilihan algoritma untuk analisis sentimen berbasis teks.