Aplikasi ChatGPT telah menerima jutaan ulasan di Google Play Store, namun belum tersedia sistem otomatis untuk mengklasifikasikan sentimen pengguna secara efisien. Penelitian ini bertujuan membangun sistem analisis sentimen terhadap 10.000 ulasan pengguna menggunakan algoritma K-Nearest Neighbors (KNN) dan Decision Tree. Proses klasifikasi dilakukan dalam dua tahap, yaitu sebelum dan sesudah penanganan ketidakseimbangan data dengan Synthetic Minority Over-sampling Technique (SMOTE). Pra-pemrosesan data mencakup tahapan pembersihan teks, pelabelan sentimen berbasis rating, pembobotan fitur menggunakan TF-IDF, serta eksplorasi tiga skenario n-gram: Unigram, Unigram+Bigram, dan Unigram+Trigram. Hasil evaluasi menunjukkan bahwa sebelum penerapan SMOTE, model Decision Tree dengan fitur Unigram+Trigram mencatatkan akurasi tertinggi sebesar 80,84%, sedangkan F1-score tertinggi diraih oleh model KNN dengan fitur Unigram+Bigram, yaitu 75,44%. Setelah SMOTE diterapkan, performa kedua model meningkat dalam mendeteksi kelas minoritas. Decision Tree dengan Unigram memperoleh F1-score tertinggi 81,80%, sementara KNN dengan Unigram+Trigram mencapai akurasi terbaik sebesar 80,09%. Secara keseluruhan, Decision Tree dengan Unigram menunjukkan performa lebih unggul dan stabil setelah SMOTE. Temuan ini menunjukkan bahwa SMOTE efektif dalam meningkatkan performa klasifikasi pada data tidak seimbang, meskipun tidak selalu menghasilkan peningkatan pada semua metrik. Penelitian ini merekomendasikan eksplorasi metode representasi fitur yang lebih kompleks seperti word embeddings (Word2Vec, GloVe, BERT), serta penggunaan model deep learning untuk hasil yang lebih akurat dan mendalam di masa depan.
Kata kunci: analisis sentimen, chatgpt, decision tree, KNN, TF-IDF, SMOTE