Analisis Sentimen AicoGPT (Generative Pre-trained Transformer) Menggunakan TF-IDF

Authors

  • Sri Rahayu Universitas Nusa Mandiri
  • Jajang Jaya Purnama Program Sistem Informasi, Fakultas Teknologi Informasi, Universitas Nusa Mandiri
  • Abdul Hamid Program Studi Sistem Informasi, Fakultas Teknik dan Informatika, UBSI Bogor
  • Nina Kurnia Hikmawati Program Studi Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, UNIKOM

DOI:

https://doi.org/10.24002/jbi.v14i02.7039

Keywords:

artificial intelligence, GPT-3, AicoGPT, TF-IDF, sentiment analysis

Abstract

Peran artificial intelligence memudahkan mencari informasi yang tepat dan akurat bahkan penyelesaian masalah dengan model yang kompleks. Salah satu terobosan berbasis AI adalah ChatGPT oleh OpenAI pada tahun 2020, dilanjutkan dengan versi terbaru pada tahun 2023 yaitu GPT–3. Sejak saat itu, beberapa teknologi AI serupa versi mobile mulai bermunculan, salah satunya AicoGPT. Namun, kinerja dari aplikasi serupa ini belum dapat diandalkan sehingga masih perlu menganalisis tanggapan para penggunanya, apakah akan sama menakjubkannya atau tidak. Dari permasalahan tersebut, penelitian ini dibuat dengan tujuan untuk menganalisis 1443 data ulasan para pengguna aplikasi AicoGPT di Google Playstore dengan teknik analisis sentimen menggunakan TFIDF dan perbandingan klasifikasi LR dan SVM. Dari kedua ujicoba tersebut, menghasilkan akurasi terbaik dengan Algoritma SVM, yaitu sebesar 92%. Sedangkan LR menghasilkan akurasi sebesar 89%. Dari penelitian ini, dapat disimpulkan secara singkat bahwa metode TF-IDF dengan klasifikasi SVM, cocok digunakan untuk melakukan analisis sentimen dari dataset yang diteliti.

References

I. Saidah and Manajemen, “Model Industri Bisnis Media Massa Pada Era Perkembangan Artificial Intelligence (AI) Di Indonesia,” LINIMASA J. ILMU Komun., vol. 4, no. 1, pp. 44–59, 2021.

A. Thurzo, M. Strunga, R. Urban, J. Surovková, and K. I. Afrashtehfar, “Impact of Artificial Intelligence on Dental Education: A Review and Guide for Curriculum Update,” Educ. Sci., vol. 13, no. 2, 2023, doi: 10.3390/educsci13020150.

A. Setiawan and U. K. Luthfiyani, “Penggunaan ChatGPT Untuk Pendidikan di Era Education 4.0: Usulan Inovasi Meningkatkan Keterampilan Menulis,” J. PETISI, vol. 04, no. 01, pp. 49–58, 2023.

R. Pakpahan, “Analisa Pengaruh Implementasi Artificial,” J. Inf. Syst. Informatics Comput., vol. 5, no. 2, pp. 506–513, 2021, doi: 10.52362/jisicom.v5i2.616.

M. Fidesya, “Mengenal Kecanggihan ChatGPT , Perangkat Lunak yang Didirikan Elon Musk,” KoranJakarta.com, 2023. https://koran-jakarta.com/mengenal-kecanggihan-chatgpt-perangkat-lunak-yang-didirikan-elon-musk?page=all

OpenAI, “Introducing ChatGPT,” OpenAI.com, 2022. https://openai.com/blog/chatgpt

A. J. Gema, “Masalah Penggunaan Ciptaan Sebagai Data Masukan Dalam Pengembangan Artificial Intelligence di Indonesia,” Technol. Econ. Law J., vol. 1, no. 1, pp. 1–18, 2022.

M. Zhang and J. Li, “A commentary of GPT-3 in MIT Technology Review 2021,” Fundam. Res., vol. 1, no. 6, pp. 831–833, 2021, doi: 10.1016/j.fmre.2021.11.011.

D. Ham, J.-G. Lee, Y. Jang, and K.-E. Kim, “End-to-End Neural Pipeline for Goal-Oriented Dialogue Systems using GPT-2,” Acl 2020, vol. 2, no. 1, pp. 583–592, 2020.

H. Su, Z. Zeng, J. Cho, and C. Lu, “ChatGPT for Computational Social Systems : From Conversational Applications to Human-Oriented Operating Systems,” IEEE Trans. Comput. Soc. Syst., vol. 10, no. 2, pp. 414–425, 2023, doi: 10.1109/TCSS.2023.3252679.

J. S. Lee and J. Hsiang, “Patent claim generation by fine-tuning OpenAI GPT-2,” World Pat. Inf., vol. 62, no. August, p. 101983, 2020, doi: 10.1016/j.wpi.2020.101983.

A. Rahman Isnain, A. Indra Sakti, D. Alita, and N. Satya Marga, “Sentimen Analisis Publik Terhadap Kebijakan Lockdown Pemerintah Jakarta Menggunakan Algoritma SVM,” Jdmsi, vol. 2, no. 1, pp. 31–37, 2021, [Online]. Available: https://t.co/NfhnfMjtXw

S. S. Salim and J. Mayary, “Analisis Sentimen Pengguna Twitter Terhadap Dompet Elektronik Dengan Metode Lexicon Based Dan K – Nearest Neighbor,” J. Ilm. Inform. Komput., vol. 25, no. 1, pp. 1–17, 2020, doi: 10.35760/ik.2020.v25i1.2411.

R. Ahuja, A. Chug, S. Kohli, S. Gupta, and P. Ahuja, “The impact of features extraction on the sentiment analysis,” Procedia Comput. Sci., vol. 152, pp. 341–348, 2019, doi: 10.1016/j.procs.2019.05.008.

E. H. Muktafin, K. Kusrini, and E. T. Luthfi, “Analisis Sentimen pada Ulasan Pembelian Produk di Marketplace Shopee Menggunakan Pendekatan Natural Language Processing,” J. Eksplora Inform., vol. 10, no. 1, pp. 32–42, 2020, doi: 10.30864/eksplora.v10i1.390.

G. K. Locarso, “Analisis Sentimen Review Aplikasi Pedulilindungi Pada Google Play Store Menggunakan NBC,” J. Tek. Inform. Kaputama, vol. 6, no. 2, pp. 353–361, 2022.

B. Andrian, T. Simanungkalit, I. Budi, and A. F. Wicaksono, “Sentiment Analysis on Customer Satisfaction of Digital Banking in Indonesia,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 3, pp. 466–473, 2022, doi: 10.14569/IJACSA.2022.0130356.

T. Susnjak, “Applying BERT and ChatGPT for Sentiment Analysis of Lyme Disease in Scientific Literature,” pp. 1–13, 2023, [Online]. Available: http://arxiv.org/abs/2302.06474

J. Kinoto, J. L. Damanik, E. Tri, S. Situmorang, J. Siregar, and M. Harahap, “Prediksi Employee Churn Dengan Uplift Modeling Menggunakan Algoritma Logistic Regression,” J. Penelit. Tek. Inform., vol. 3, no. 2, pp. 503–508, 2020, [Online]. Available: http://jurnal.unprimdn.ac.id/index.php/JUTIKOMP/article/view/1645/924

N. Indriani, E. Rainarli, and K. E. Dewi, “Peringkasan dan Support Vector Machine pada Klasifikasi Dokumen,” J. Infotel, vol. 9, no. 4, p. 416, 2017, doi: 10.20895/infotel.v9i4.312.

A. K. Febrian, Y. H. Chrisnanto, and P. N. Sabrina, “Studi Komparasi Metode Klasifikasi K-Nearest Neghbor dan Naïve Bayes dalam Mengidentifikasi Kepuasan Pelanggan Terhadap Produk,” Snestik, pp. 333–338, 2022, [Online]. Available: http://ejournal.itats.ac.id/snestik/article/view/2717/2307

A. N. Kasanah, M. Muladi, and U. Pujianto, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 2, pp. 196–201, 2019, doi: 10.29207/resti.v3i2.945.

A. Ririd, P. Y. Saputra, and A. M. Sastri, “Sistem koreksi kesalahan pengetikan kata kunci dalam pencarian artikel menggunakan algoritma jaro-winkler,” Seminar Informatika Aplikatif Polinema, pp. 60–65, 2019.

R. Ahuja, A. Chug, S. Kohli, S. Gupta, and P. Ahuja, “ScienceDirect ScienceDirect The Impact of Features Extraction on the Sentiment Analysis,” Procedia Comput. Sci., vol. 152, pp. 341–348, 2019, doi: 10.1016/j.procs.2019.05.008.

J. Kaur and P. Kaur Buttar, “A Systematic Review on Stopword Removal Algorithms,” Int. J. Futur. Revolut. Comput. Sci. Commun. Eng., vol. 4, no. 4, pp. 207–210, 2018, [Online]. Available: http://www.ijfrcsce.org

G. N. Aulia and E. Patriya, “Implementasi Lexicon Based Dan Naive Bayes Pada Analisis Sentimen Pengguna Twitter Topik Pemilihan Presiden 2019,” J. Ilm. Inform. Komput., vol. 24, no. 2, pp. 140–153, 2019, doi: 10.35760/ik.2019.v24i2.2369.

Downloads

Published

2023-10-01