Analisis Komparatif Performa Machine Learning dan Deep Learning untuk Pemetaan Sentimen Publik Global Terhadap ChatGPT di Twitter (X)

Abstract

Perkembangan teknologi Generative Artificial Intelligence mendorong meningkatnya percakapan publik mengenai ChatGPT di berbagai platform digital, khususnya Twitter (X). Dinamika opini tersebut penting untuk dipetakan guna memahami persepsi masyarakat global terhadap penggunaan dan dampak teknologi ini. Penelitian ini bertujuan untuk menganalisis sentimen publik global terhadap ChatGPT serta membandingkan performa model Machine Learning dan Deep Learning dalam klasifikasi sentimen berbasis Natural Language Processing (NLP). Data penelitian berupa tweet berbahasa Inggris dikumpulkan melalui metode web scraping dan diproses melalui tahapan preprocessing, kemudian dilakukan pelabelan otomatis menggunakan model RoBERTa ke dalam kelas positif, netral, dan negatif. Representasi fitur menggunakan TF-IDF pada model Machine Learning dan GloVe Twitter 200d pada model Deep Learning. Model yang digunakan meliputi Logistic Regression (LR), Support Vector Machine (SVM), Convolutional Neural Network (CNN), dan Dilated CNN. Hasil penelitian menunjukkan bahwa sentimen netral mendominasi data sebesar 43%, diikuti sentimen negatif sebesar 31% dan positif sebesar 26%. Pada skenario balanced, model terbaik diperoleh oleh LR dan Linear SVM dengan nilai accuracy dan F1-score sebesar 0.76, sedangkan CNN memperoleh F1-score sebesar 0.73 dan Dilated CNN sebesar 0.70. Hasil cross-validation menunjukkan seluruh model memiliki generalisasi yang baik dengan mean CV score pada rentang 0.73–0.74. Selain itu, model Machine Learning menunjukkan efisiensi komputasi yang lebih baik dibandingkan model Deep Learning berdasarkan waktu pelatihan yang lebih singkat. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan Machine Learning berbasis TF-IDF masih efektif dan kompetitif untuk klasifikasi sentimen teks pendek pada media sosial.