PERBANDINGAN ALGORTIMA RANDOM FOREST DAN SVM UNTUK MULTI-LABEL KLASIFIKASI MOOD BUKU BERBASIS DESKRIPSI TEKS

Abstract

Banyaknya buku dengan tema dan genre yang beragam sering menyulitkan pembaca dalam memilih bacaan yang sesuai dengan suasana hati, karena genre tidak selalu merepresentasikan nuansa emosional isi cerita. Permasalahan ini mendorong perlunya sistem klasifikasi mood buku berbasis teks deskripsi. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam klasifikasi multi-label mood buku. Dataset yang digunakan adalah 7k Books dari Kaggle, dengan atribut title dan description. Karena dataset tidak memiliki label emosi, dilakukan pelabelan otomatis menggunakan model emotion classifier berbasis Transformer (DistilRoBERTa) menjadi tujuh kategori mood, yaitu joy, sadness, anger, fear, disgust, surprise, dan neutral. Metode yang digunakan meliputi pra-pemrosesan teks, representasi fitur menggunakan TF-IDF (unigram dan bigram), serta pendekatan Binary Relevance dengan optimasi parameter menggunakan GridSearchCV. Evaluasi dilakukan menggunakan metrik macro-averaging, micro-averaging, dan Hamming Loss. Hasil penelitian menunjukkan bahwa Linear SVM memperoleh micro-averaging F1-score sebesar 0,7909, sedikit lebih tinggi dibandingkan Random Forest sebesar 0,7856, dengan Hamming Loss sekitar 0,11 untuk kedua model. Hasil ini menunjukkan bahwa Linear SVM lebih unggul secara keseluruhan, meskipun performa pada beberapa label masih dipengaruhi oleh ketidakseimbangan data