Pesatnya perkembangan Generative AI sejak peluncuran ChatGPT pada akhir 2022 telah mengubah cara masyarakat mencari informasi, membuat konten, menyelesaikan pekerjaan, hingga mendukung proses belajar. Teknologi ini kini digunakan di berbagai sektor, mulai dari pendidikan, bisnis, pemerintahan, hingga industri kreatif. Namun, semakin luas penggunaannya juga memunculkan perdebatan mengenai manfaat, risiko, dan dampaknya terhadap kehidupan sehari-hari.
Menurut tim peneliti dari Universitas Bina Sarana Informatika, memahami opini publik terhadap Generative AI menjadi hal penting karena dapat membantu pengembang teknologi, lembaga pendidikan, maupun pemerintah dalam menyusun kebijakan yang sesuai dengan kebutuhan masyarakat. Salah satu cara yang dapat dilakukan adalah melalui analisis sentimen terhadap percakapan yang berkembang di media sosial.
Dalam penelitian ini, para peneliti menggunakan 1.125 unggahan Twitter/X yang membahas penggunaan ChatGPT dan teknologi Generative AI. Seluruh data dikategorikan ke dalam tiga jenis sentimen, yaitu positif, netral, dan negatif. Sebelum dianalisis, teks dibersihkan melalui beberapa tahapan sederhana, seperti mengubah seluruh huruf menjadi kecil, memisahkan kata, menghapus kata-kata yang tidak penting, serta mengubah kata menjadi bentuk dasarnya. Proses tersebut membuat data lebih mudah dipahami oleh sistem pembelajaran mesin.
Selanjutnya, peneliti membandingkan dua algoritma klasifikasi yang paling banyak digunakan dalam analisis sentimen, yaitu Naive Bayes dan Support Vector Machine (SVM). Kedua model diuji menggunakan teknik validasi berulang agar hasil evaluasi lebih akurat dan tidak bergantung pada satu pembagian data saja.
Hasil penelitian menunjukkan bahwa Support Vector Machine (SVM) menghasilkan tingkat akurasi sebesar 62,13 persen, sedangkan Naive Bayes hanya mencapai 52,44 persen. Dengan demikian, SVM memiliki keunggulan sebesar 9,69 persen dibandingkan Naive Bayes dalam mengklasifikasikan sentimen masyarakat terhadap Generative AI.
Peneliti menjelaskan bahwa keunggulan tersebut muncul karena SVM lebih mampu mengolah data teks yang memiliki jumlah kata sangat banyak dan hubungan antar kata yang kompleks. Sebaliknya, Naive Bayes mengasumsikan setiap kata berdiri sendiri sehingga kurang mampu memahami konteks kalimat yang sering muncul pada percakapan media sosial.
Selain memiliki akurasi lebih tinggi, SVM juga memberikan hasil klasifikasi yang lebih seimbang. Algoritma ini berhasil mengenali sebagian besar sentimen negatif dengan tingkat keberhasilan mencapai 97,13 persen, sekaligus meningkatkan kemampuan mendeteksi sentimen positif dibandingkan Naive Bayes. Meskipun demikian, kedua algoritma masih mengalami kesulitan dalam mengenali sentimen netral karena jenis opini ini sering mengandung unsur positif dan negatif secara bersamaan.
Penelitian juga menunjukkan bahwa opini masyarakat mengenai Generative AI tidak hanya terbagi menjadi kelompok yang mendukung atau menolak. Banyak pengguna media sosial menyampaikan pandangan yang bersifat moderat, misalnya mengakui manfaat ChatGPT dalam membantu pekerjaan dan pembelajaran, tetapi tetap mengingatkan perlunya regulasi, etika penggunaan, serta pengawasan terhadap potensi penyalahgunaan teknologi tersebut.
Menurut Yosep Moleng dan tim peneliti, peningkatan akurasi hampir 10 persen bukanlah angka yang kecil. Dari 1.125 data yang dianalisis, penggunaan SVM mampu mengklasifikasikan sekitar 109 data lebih banyak secara benar dibandingkan Naive Bayes. Dalam sistem pemantauan opini publik berskala besar, peningkatan tersebut dapat menghasilkan informasi yang jauh lebih akurat sebagai dasar pengambilan keputusan.
Temuan ini memberikan manfaat bagi berbagai pihak. Bagi perusahaan teknologi, analisis sentimen dapat digunakan untuk memahami tingkat penerimaan masyarakat terhadap produk berbasis AI. Bagi institusi pendidikan, hasil penelitian dapat menjadi dasar dalam menyusun kebijakan penggunaan ChatGPT secara bertanggung jawab di lingkungan akademik. Sementara bagi pemerintah, pemantauan opini publik dapat membantu merancang regulasi yang mampu mendorong inovasi tanpa mengabaikan aspek keamanan dan etika.
Meski demikian, peneliti juga menilai masih terdapat ruang untuk meningkatkan performa model analisis sentimen. Penggunaan teknik representasi teks yang lebih modern, seperti Word2Vec, FastText, maupun model berbasis Transformer seperti BERT, diperkirakan mampu meningkatkan akurasi klasifikasi di masa mendatang. Selain itu, penelitian berikutnya disarankan menggunakan data dari berbagai platform digital seperti forum diskusi, portal berita, dan media sosial lainnya agar gambaran opini publik menjadi lebih komprehensif.
Tim peneliti menyimpulkan bahwa Support Vector Machine merupakan pilihan yang lebih tepat dibandingkan Naive Bayes untuk menganalisis sentimen masyarakat terhadap adopsi Generative AI. Kemampuan algoritma tersebut dalam menangani data teks berdimensi tinggi membuat hasil klasifikasi lebih akurat dan lebih dapat diandalkan sebagai dasar pengembangan sistem pemantauan opini publik mengenai teknologi kecerdasan buatan.
Profil Penulis
Yosep Moleng merupakan akademisi dan peneliti di Universitas Bina Sarana Informatika yang memiliki minat penelitian pada bidang Artificial Intelligence, text mining, machine learning, data mining, dan analisis sentimen. Penelitian ini dilakukan bersama Felix Wijaya, Manda Reksi Saputri, dan Besus Maula Sulthon, yang juga berasal dari Universitas Bina Sarana Informatika dan aktif meneliti pengembangan kecerdasan buatan serta penerapannya dalam analisis data digital.
Sumber Penelitian
Judul Artikel: Sentiment Analysis of Generative AI Adoption: A Comparative Study of Naive Bayes and Support Vector Machine Algorithms
Penulis: Yosep Moleng, Felix Wijaya, Manda Reksi Saputri, Besus Maula Sulthon
Jurnal: International Journal of Applied and Scientific Research (IJASR)
Volume 4 Nomor 6 (2026), Halaman 343–356
0 Komentar