Penerapan Algoritma Random Forest untuk Klasifikasi Emosi dalam Tweet Berbahasa Indonesia

Penelitian ini bertujuan untuk menerapkan algoritma Random Forest dalam membangun sistem klasifikasi emosi pada tweet berbahasa Indonesia. Dataset yang digunakan terdiri dari 4.403 tweet yang terbagi ke dalam lima kategori emosi, yaitu anger, fear, happy, love, dan sadness. Tahapan klasifikasi diawali dengan pre-processing teks, meliputi normalisasi slang, koreksi typo, stopword removal, dan stemming. Selanjutnya, fitur diekstraksi menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Ketidakseimbangan distribusi data antar kelas ditangani menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE). Model Random Forest dikembangkan dengan konfigurasi parameter terbaik berdasarkan hasil uji kombinasi. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 95,74% dengan nilai f1-score yang tinggi dan stabil di seluruh kelas emosi. Temuan ini membuktikan bahwa algoritma Random Forest mampu memberikan hasil klasifikasi emosi dengan akurasi yang tinggi jika dikombinasikan dengan Balancing data dan konfigurasi parameter Random Forest. Selanjutnya model ini bisa dibandingkan dengan metode deep learning untuk menilai peningkatan kinerja pada data yang lebih kompleks.