Aspect-Based Sentiment Analysis Penggunaan ChatGPT dalam Pendidikan: Perbandingan Model LSTM, Bi-LSTM, dan CNN
DOI:
https://doi.org/10.47111/jointecoms.v5i4.25350Keywords:
ChatGPT, Sentimen, Aspect-Based Sentiment Analysis, PendidikanAbstract
Perkembangan teknologi kecerdasan buatan telah membawa perubahan besar dalam berbagai bidang, termasuk pendidikan. Salah satu teknologi yang banyak digunakan adalah ChatGPT, sebuah model bahasa berbasis AI yang dimanfaatkan oleh pelajar dan mahasiswa untuk mendukung aktivitas akademik. Meskipun pemanfaatannya semakin luas, opini publik terhadap penggunaannya dalam dunia pendidikan masih beragam. Penelitian ini bertujuan untuk menganalisis sentimen publik terhadap ChatGPT berdasarkan aspek tertentu, serta mengevaluasi kinerja beberapa algoritma deep learning dalam klasifikasi teks.
Penelitian ini menggunakan pendekatan Aspect-Based Sentiment Analysis (ABSA), dengan pemodelan aspek melalui metode Latent Dirichlet Allocation (LDA) dan pelabelan sentimen menggunakan IndoBERT. Data dikumpulkan dari platform X (Twitter) dengan teknik scraping, lalu diproses melalui tahapan preprocessing, ekstraksi fitur, pembagian data, penerapan SMOTE, dan evaluasi model. Tiga algoritma klasifikasi yang digunakan adalah Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM), dan Convolutional Neural Network (CNN).
Hasil analisis menunjukkan bahwa opini publik terhadap ChatGPT dalam pendidikan cenderung positif, terutama pada aspek Asisten Belajar (62,1%) dan Etika Akademik (55,3%). Pada klasifikasi aspek, model Bi-LSTM dengan split data 90:10 mencatat akurasi tertinggi sebesar 91,11%. Sementara itu, pada klasifikasi sentimen, model yang sama memperoleh akurasi sebesar 87,88% pada split data yang sama. Temuan ini menunjukkan bahwa Bi-LSTM memiliki performa yang baik dalam kedua jenis tugas klasifikasi. Penelitian ini memberikan gambaran mengenai persepsi publik terhadap penggunaan ChatGPT di bidang pendidikan serta mendukung pemilihan model yang sesuai untuk analisis sentimen berbasis aspek.
Downloads
References
[1] W. Suharmawan, “Pemanfaatan Chat GPT dalam dunia pendidikan,” Education Journal: Journal Educational Research and Development, vol. 7, no. 2, pp. 158–166, 2023.
[2] O. Sidoti, E. Park, and J. Gottfried, “About a quarter of U.S. teens have used ChatGPT for schoolwork – double the share in 2023,” Pew Research Center, 2025. [Online]. Available: https://pewrsr.ch/4g3Jqt0
[3] A. D. Pratama and H. Hendry, “Analisa Sentimen Masyarakat Terhadap Penggunaan CHATGPT Menggunakan Metode Support Vector Machine (SVM),” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 9, no. 1, pp. 327–338, 2024. [Online]. Available: http://www.jurnal.stkippgritulungagung.ac.id/index.php/jipi/article/view/4285
[4] M. G. Ramaputra and H. Purnomo, “Analisis sentimen opini masyarakat terhadap penggunaan ChatGPT di bidang pendidikan berbasis Twitter,” Jurnal Pepadun, vol. 5, no. 3, pp. 275–285, 2024.
[5] P. R. Amalia and E. Winarko, “Aspect-based sentiment analysis on Indonesian restaurant review using a combination of convolutional neural network and contextualized word embedding,” IJCCS (Indonesian Journal of Computing and Cybernetics Systems), vol. 15, no. 3, pp. 285–294, 2021.
[6] C. F. Hasri and D. Alita, “Penerapan Metode Naïve Bayes Classifier Dan Support Vector Machine Pada Analisis Sentimen Terhadap Dampak Virus Corona Di Twitter,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 3, no. 2, pp. 145–160, 2022. [Online]. Available: https://jim.teknokrat.ac.id/index.php/informatika/article/view/2026
[7] A. Maiti, A. Abarda, and M. Hanini, “The impact of feature extraction techniques on the performance of text data classification models,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 35, no. 2, pp. 1041–1052, 2024. [Online]. Available: https://doi.org/10.11591/ijeecs.v35.i2.pp1041-1052
[8] D. G. Mandhasiya, H. Murfi, and A. Bustamam, “The hybrid of BERT and deep learning models for Indonesian sentiment analysis,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 33, no. 1, pp. 591–602, 2024. [Online]. Available: https://doi.org/10.11591/ijeecs.v33.i1.pp591-602
[9] D. R. Alghifari, M. Edi, and L. Firmansyah, “Implementasi Bidirectional LSTM untuk Analisis Sentimen Terhadap Layanan Grab Indonesia,” Jurnal Manajemen Informatika (JAMIKA), vol. 12, no. 2, pp. 89–99, 2022.
[10] D. Dharrao et al., “An efficient method for disaster tweets classification using gradient-based optimized convolutional neural networks with BERT embeddings,” MethodsX, vol. 13, p. 102843, 2024. [Online]. Available: https://doi.org/10.1016/j.mex.2024.102843
[11] N. N. Ainii, “Klasifikasi Sentimen, Topik, Dan Detail Topik Dari Ulasan Kai Access Menggunakan Multilayer Perceptron (MLP) Dan Bidirectional Long Short Term Memory (BiLSTM),” unpublished.
[12] R. F. Hakim, “Simple CNN for Text Classification,” Medium, 2024. [Online]. Available: https://medium.com/@986110101/simple-cnn-for-text-classification-8ee92ce334f8
[13] G. A. Barnett, C. Calabrese, and J. B. Ruiz, “A comparison of three methods to determine the subject matter in textual data,” Frontiers in Research Metrics and Analytics, vol. 8, p. 1104691, 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Journal of Information Technology and Computer Science
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
