Perbandingan Algoritma Multinomial Naive Bayes dan Logistic Regression dalam Analisis Sentimen terhadap ChatGPT pada Media Sosial Twitter

ChatGPT merupakan produk kecerdasan buatan yang dikembangkan dan diluncurkan oleh OpenAI. Sejak awal peluncurannya, ChatGPT terus menjadi perbincangan warga dunia karena robot kecerdasan buatan ini mampu memahami pertanyaan, memberikan jawaban yang relevan, dan berinteraksi dengan pengguna dengan tanggapan yang menyerupai percakapan manusia. Namun, karena kemampuan dan kepopulerannya ini lah membuat banyak orang mengekspresikan opini mereka di media sosial termasuk media sosial Twitter. Terdapat ratusan bahkan ribuan opini pengguna Twitter yang berkaitan dengan ChatGPT yang dapat dimanfaatkan untuk melakukan analisis sentimen pada opini pengguna Twitter di Indonesia. Penelitian ini akan membandingkan algoritma multinomial naive bayes dan logistic regression dalam sentimen analisis yang berkaitan dengan ChatGPT. Sebelum klasifikasi dilakukan, TF-IDF (Term Frequency-Inverse Document Frequency) dan SMOTE (Synthetic Minority Over-sampling Technique) akan diimplementasikan. Hasil pengujian menunjukkan hasil bahwa performa logistic regression lebih baik dibandingkan multinomial naive bayes, dengan skor akurasi sebesar 86%, presisi 84%, recall 100%, dan f1-score 91% dengan perbandingan data train 80% dan data test 20%. Pengujian dengan SMOTE juga menunjukkan bahwa Logistic Regression memiliki performa yang lebih baik dengan tingkat akurasi mencapai 91% dibandingkan Multinomial Naive Bayes yang memiliki akurasi 88