Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Scientific Student Journal for Information, Technology and Science
Iqbal Tawakkal
Universitas Buana Perjuangan Karawang
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penerapan Algoritma Decision Tree dan Random Forest untuk Analisis Sentimen Politik Indonesia Pascapemilu Iqbal Tawakkal; Tohirin Al Mudzakir; Hilda Yulia Novita; Adi Rizky Pratama
Scientific Student Journal for Information, Technology and Science Vol. 7 No. 2 (2026): Scientific Student Journal for Information, Technology and Science
Publisher : Scientific Student Journal for Information, Technology and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan mengklasifikasikan sentimen politik Indonesia pascapemilu dengan menerapkan teknik text mining untuk mengidentifikasi berbagai isu politik. Data diperoleh dari komentar masyarakat pada media sosial Instagram, YouTube, dan TikTok yang membahas Presiden dan Prabowo, dengan jumlah dataset sebanyak 8.532 data. Pengolahan data dilakukan menggunakan bahasa pemrograman Python pada platform Google Colaboratory. Tahap preprocessing meliputi text cleaning untuk menghapus angka, simbol, dan tautan URL, kemudian dilanjutkan dengan stemming, tokenization, stopword removal, pelabelan, dan pembobotan kata menggunakan Term Frequency–Inverse Document Frequency (TF-IDF). Pendekatan supervised learning diterapkan menggunakan algoritma Decision Tree dan Random Forest. Dataset dibagi menjadi 70% data latih dan 30% data uji sebelum dilakukan pembangunan model klasifikasi. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa algoritma Decision Tree memperoleh akurasi sebesar 71,02%, sedangkan algoritma Random Forest memperoleh akurasi sebesar 75,30%. Hasil tersebut menunjukkan bahwa kedua algoritma mampu mengklasifikasikan data berdasarkan pola fitur teks yang diekstraksi, dengan Random Forest menghasilkan kinerja yang lebih baik dibandingkan Decision Tree.
Co-Authors Adi Rizky Pratama Hilda Yulia Novita Mudzakir, Tohirin Al