PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK MENGKLASIFIKASI SENTIEMEN MASYARAKAT TERHADAP KEBERADAAN CHAT GPT

Ari Ahmad Sobari; Mohammand Syafrullah

Penulis

Ari Ahmad Sobari Universitas Budi Luhur
Mohammand Syafrullah

Kata Kunci:

Chat GPT, K-Nearest Neighbors, Text Mining, Opini Masyarakat

Abstrak

Teknologi Chat GPT (Generative Pre-trained Transformer) dikembangkan oleh OpenAI dan menggunakan algoritma deep learning dalam pemrosesan bahasa alami (NLP). Chat GPT mampu berinteraksi dengan mesin, memahami konteks percakapan, dan menghasilkan teks bermakna seperti ucapan manusia. Namun, kehadiran Chat GPT juga menimbulkan kekhawatiran bahwa pekerjaan manusia dapat digantikan oleh aplikasi ini. Dalam penelitian ini, dilakukan analisis sentimen masyarakat terhadap adanya Chat GPT dengan menggunakan data komentar pada konten Youtube yang membahas teknologi tersebut. Metode yang digunakan adalah algoritma KNN (K-Nearest Neighbors) dalam analisis sentimen. KNN adalah algoritma instance-based learning yang telah banyak digunakan. Pada pengujian dilakukan dengan menggunakan confusion matrix dengan nilai k = 19. Hasil pengujian menunjukkan accuracy sebesar 62%, precision sebesar 60%, recall sebesar 98% dan f1 score sebesar 75%. Berdasarkan evaluasi sistem analisis sentimen, dapat disimpulkan bahwa masyarakat memiliki sentimen positif terhadap adanya Chat GPT yaitu bernilai positif, dengan jumlah nilai positif yaitu 82 dan nilai negatif yaitu 5, dari total data uji 87. Sistem dapat melakukan analisis sentimen dengan baik dan mampu mengenali sentimen positif dan negatif. Untuk penelitian selanjutnya, disarankan untuk menggunakan dataset yang lebih besar guna menghasilkan hasil yang lebih akurat. Selain itu, penggunaan metode ekstraksi fitur lainnya seperti tf-idf, BoW, Word2Vec, N-Gram, dan sebagainya. juga dapat dieksplorasi. Optimasi dalam proses Preprocessing juga perlu ditingkatkan untuk meningkatkan akurasi hasil analisis sentimen

Referensi

R. Ramadhan and K. S Kurniato, “Cepat Atau Lambat, Pekerjaan Manusia akan Diganti oleh AI,” Dec. 17, 2022. https://kumparan.com/kumparantech/cepat-atau-lambat-pekerjaan-manusia-akan-diganti-oleh-ai-1zSBrRLX8WO/full (accessed May 18, 2023).

N. Ainiyah, “REMAJA MILLENIAL DAN MEDIA SOSIAL: MEDIA SOSIAL SEBAGAI MEDIA INFORMASI PENDIDIKAN BAGI REMAJA MILLENIAL,” 2018.

D. Cahyanti, A. Rahmayani, and S. Ainy Husniar, “Indonesian Journal of Data and Science Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” vol. 1, no. 2, pp. 39–43, 2020.

I. Hakim, A. Nugroho, S. Hadi Sukmana, W. Gata, and S. Nusa Mandiri, “Sentimen Analisis Stay Home menggunakan metode klasifikasi Naive Bayes, Support Vector Machine, dan k-Nearest Neighbor,” vol. 22, no. 2, 2020, doi: 10.31294/p.v21i2.

M. Syarifuddin, “ANALISIS SENTIMEN OPINI PUBLIK TERHADAP EFEK PSBB PADA TWITTER DENGAN ALGORITMA DECISION TREE,KNN, DAN NAÏVE BAYES,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 87–94, Aug. 2020, doi: 10.33480/inti.v15i1.1433.

A. Amalia, D. Gunawan, Y. Fithri, and I. Aulia, “Automated Bahasa Indonesia essay evaluation with latent semantic analysis,” in Journal of Physics: Conference Series, Institute of Physics Publishing, Jul. 2019. doi: 10.1088/1742-6596/1235/1/012100.

M. Syarifuddinn, “ANALISIS SENTIMEN OPINI PUBLIK MENGENAI COVID-19 PADA TWITTER MENGGUNAKAN METODE NAÏVE BAYES DAN KNN,” INTI Nusa Mandiri, vol. 15, no. 1, pp. 23–28, Aug. 2020, doi: 10.33480/inti.v15i1.1347.

S. Khomsah and Agus Sasmito Aribowo, “Text-Preprocessing Model Youtube Comments in Indonesian,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 4, no. 4, pp. 648–654, Aug. 2020, doi: 10.29207/resti.v4i4.2035.

T. Wiratama Putra and A. Triayudi, “Analisis Sentimen Pembelajaran Daring menggunakan Metode Naïve Bayes, KNN, dan Decision Tree,” Jurnal Teknologi Informasi dan Komunikasi), vol. 6, no. 1, p. 2022, 2022, doi: 10.35870/jti.

M. Riefky and A. R. Anandyani, “KLASIFIKASI PERSEPSI PENGGUNA TWITTER TERHADAP TUNTUTAN KERINGANAN PEMBAYARAN UANG KULIAH TUNGGAL (UKT) PADA MASA PANDEMI COVID-19 MENGGUNAKAN K-NEAREST NEIGHBOR,” Seminar Nasional Official Statistics, vol. 1, pp. 247–257, 2020, doi: 10.34123/semnasoffstat.v2020i1.443.

A. Tripathy, A. Agrawal, and S. K. Rath, “Classification of sentiment reviews using n-gram machine learning approach,” Expert Syst Appl, vol. 57, pp. 117–126, Sep. 2016, doi: 10.1016/j.eswa.2016.03.028.