Evaluasi Kinerja Model AI Generatif Dalam Pelabelan Sentimen Menggunakan Macro-average dan Cohen’s Kappa (Studi Kasus : Komentar TikTok Bertema Olahraga Lari)

Abstract

Perkembangan media sosial, khususnya TikTok, menjadikan kolom komentar sebagai sumber opini publik yang kaya dan beragam. Banyaknya data komentar mendorong pemanfaatan kecerdasan buatan generatif untuk melakukan pelabelan sentimen secara otomatis. Namun, perbedaan kemampuan antar model dalam memahami bahasa informal berbahasa Indonesia perlu dievaluasi secara sistematis. Penelitian ini bertujuan mengevaluasi kinerja tiga model AI generatif, yaitu ChatGPT (GPT-5.2), Gemini 1.5 Flash, dan DeepSeek, dalam pelabelan sentimen komentar TikTok bertema olahraga lari dengan menggunakan label manual sebagai ground truth. Evaluasi dilakukan menggunakan confusion matrix, Macro-Average (macro-precision, macro-recall, dan macro-F1 score), serta Cohen’s Kappa. Hasil menunjukkan adanya ketidakseimbangan kelas data dengan dominasi kelas netral. DeepSeek memperoleh performa terbaik dengan macro-F1 sebesar 0.7924 dan Cohen’s Kappa sebesar 0.6786 (kategori kuat), diikuti Gemini (macro-F1 0.7572; Kappa 0.6219), dan ChatGPT (macro-F1 0.5329; Kappa 0.3179). Analisis menunjukkan bahwa ChatGPT cenderung bias terhadap kelas netral, Gemini cenderung mengklasifikasikan teks ambigu sebagai positif, sedangkan DeepSeek memiliki performa paling konsisten dan seimbang. Penelitian ini menyimpulkan bahwa DeepSeek dan Gemini layak digunakan sebagai asisten pelabelan semi- otomatis.