ANALISIS SENTIMEN PENGGUNA APLIKASI CHATGPT BERDASARKAN RATING MENGGUNAKAN METODE LEXICON

diberikan, menggunakan metode lexicon untuk mengklasifikasikan sentimen dalam komentar pengguna tanpa memerlukan label kelas sebelumnya. Metode lexicon ini memanfaatkan kamus vader lexicon untuk menghitung polaritas sentimen dari kata-kata dalam komentar. Dataset komentar diperoleh dari sumber eksternal, yakni dataset Kaggle, yang tidak dilengkapi dengan label sentimen sebelumnya. Model lexicon diterapkan sebagai pendekatan unsupervised learning untuk memahami ekspresi sentimen pengguna. Komentar-komentar dalam dataset diproses dan dianalisis menggunakan model leksikon. Hasil penelitian analisis sentimen ini menunjukkan bahwa metode lexicon menghasilkan komentar-komentar yang cenderung positif atau negatif untuk rentang rating satu hingga lima. Meskipun demikian, temuan penelitian menunjukkan bahwa beberapa aspek sentimen mungkin tidak terdeteksi secara akurat oleh metode ini. Walaupun begitu, analisis sentimen ini memberikan dasar penting untuk pemahaman lebih lanjut mengenai interaksi antara pengguna dan aplikasi. Hasil analisis ini dapat menjadi pijakan untuk penelitian lebih mendalam yang melibatkan pendekatan analisis sentimen yang lebih canggih.The study aims to evaluate the feelings of ChatGPT users based on the given rating, using lexicon methods to classify feelings in user comments without requiring prior class labels. This lexicon method uses the vader lexicon dictionary to calculate the sentimental polarity of words in comments. The comment data set is obtained from an external source, namely the Kaggle data set, which did not have a previous sentiment label. The lexicon model is applied as an unsupervised learning approach to understanding the expression of user sentiment. The comments in the dataset are processed and analyzed using a lexicon model. The results of this sentimental analysis show that the lexicon method produces comments that tend to be positive or negative for the rating range one to five. Nonetheless, research findings suggest that some aspects of sentiment may not be accurately detected by this method. Nevertheless, this sentiment analysis provides an important basis for further understanding of the interaction between users and applications. These results can be the basis for more in-depth research involving more sophisticated approaches to sentiment analysis