PENERAPAN ALGORITMA RANDOM FOREST DENGAN VARIASI FITUR DALAM PREDIKSI POPULARITAS BERITA DIGITAL

Abstract

Prediksi popularitas berita digital menjadi kebutuhan penting bagi media daring untuk memahami karakteristik konten yang berpotensi memperoleh tingkat penyebaran tinggi. Namun, banyaknya atribut yang digunakan dalam proses klasifikasi dapat meningkatkan kompleksitas komputasi dan mempengaruhi kinerja model. Penelitian ini bertujuan menganalisis pengaruh variasi fitur terhadap performa algoritma Random Forest dalam prediksi popularitas berita digital. Penelitian menggunakan dataset Online News Popularity yang diperoleh dari UCI Machine Learning Repository. Metode yang digunakan meliputi pra-pemrosesan data, pembangunan model Random Forest, pengujian empat skenario variasi fitur, serta optimasi model melalui penanganan outlier, feature engineering, hyperparameter tuning, dan threshold tuning. Hasil pengujian baseline menunjukkan bahwa penggunaan seluruh fitur menghasilkan akurasi sebesar 66,34%. Setelah dilakukan optimasi, performa model meningkat dengan hasil terbaik diperoleh pada skenario reduksi fitur noise yang menghasilkan accuracy 72,15%, precision 72,05%, recall 72,15%, dan f1-score 72,10%. Hasil penelitian menunjukkan bahwa variasi fitur dan strategi optimasi berpengaruh terhadap performa klasifikasi popularitas berita digital menggunakan Random Forest.