<![CDATA[Kebijakan tilang elektronik atau Electronic Traffic Law Enforcement (ETLE) menimbulkan beragam respons publik yang banyak disampaikan melalui aplikasi X. Besarnya volume opini menjadikan analisis manual tidak lagi efektif, sehingga diperlukan pendekatan machine learning untuk mengklasifikasikan opini secara otomatis. Penelitian ini menerapkan algoritma Random Forest untuk mengklasifikasikan opini pengguna aplikasi X terhadap kebijakan ETLE ke dalam tiga kategori sentimen, yaitu positif, negatif, dan netral. Data dikumpulkan melalui web scraping menggunakan library ntscraper dengan enam kata kunci terkait ETLE, menghasilkan 12.742 tweet berbahasa Indonesia. Data kemudian melalui tahap preprocessing (case folding, stopword removal, tokenisasi, stemming), pelabelan otomatis berbasis leksikon, ekstraksi fitur TF-IDF (Term Frequency–Inverse Document Frequency) dengan pembatasan 2.000 fitur, serta klasifikasi menggunakan Random Forest dengan konfigurasi n_estimators=100 dan class_weight='balanced'. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan model mencapai akurasi keseluruhan sebesar 96,31%. Distribusi sentimen menunjukkan dominasi kelas netral (80,20%), diikuti positif (15,18%), dan negatif (4,62%), dengan F1-score sebesar 0,98 untuk kelas negatif, 0,98 untuk kelas netral, dan 0,89 untuk kelas positif, serta Macro Average F1-Score sebesar 0,95. Temuan ini menegaskan bahwa kombinasi TF-IDF dan Random Forest dengan penanganan ketidakseimbangan kelas merupakan pendekatan yang efektif untuk klasifikasi opini publik pada domain kebijakan lalu lintas berbahasa Indonesia]]>
Copyrights © 2026
