Optimasi Model Machine Learning Untuk Klasifikasi Kualitas Search Engine Optimization (SEO) Menggunakan Recursive Feature Elimination
Mesin Model Optimasi Belajar Uruk Klasifikansi Kualitas Mesin Pencarian Optimisasi (SEO) Penggunakan Pengamat Pengamat Pengamat Penghapusan Rekursif
Tahun 2025 · Penulis: Nafis Arinda Rizky Putra Handoko
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Mesin Model Optimasi Belajar Uruk Klasifikansi Kualitas Mesin Pencarian Optimisasi (SEO) Penggunakan Pengamat Pengamat Pengamat Penghapusan Rekursif
Dalam era digital, optimasi Search Engine Optimization (SEO) menjadi aspek penting bagi website untuk meningkatkan visibilitas dan peringkat dalam hasil pencarian. Meningkatnya jumlah data yang tersedia menuntut metode yang lebih efisien dalam mengklasifikasikan kualitas SEO suatu situs web. Oleh karena itu, penelitian ini berfokus pada optimasi model machine learning untuk klasifikasi kualitas SEO dengan menggunakan metode Recursive Feature Elimination (RFE) sebagai teknik seleksi fitur guna meningkatkan akurasi model. Penelitian ini bertujuan untuk membandingkan performa beberapa algoritma machine learning, yaitu K-Nearest Neighbors (KNN), Naïve Bayes, Decision Tree, Support Vector Machine (SVM), Logistic Regression, dan Random Forest dalam mengklasifikasikan kualitas SEO sebelum dan setelah diterapkannya RFE. Dataset yang digunakan diperoleh dari penelitian terdahulu dan telah melalui tahapan preprocessing, yang meliputi reduksi data, normalisasi, penanganan ketidakseimbangan kelas menggunakan SMOTE, serta pembagian data latih dan data uji. Hasil penelitian menunjukkan bahwa algoritma Random Forest dengan seleksi fitur RFE menghasilkan akurasi tertinggi sebesar 83.6%, mengungguli metode lainnya. Seleksi fitur menggunakan RFE terbukti meningkatkan performa sebagian besar model dengan jumlah fitur optimal yang bervariasi pada setiap algoritma. Selain itu, eksperimen yang dilakukan menunjukkan bahwa fitur Keyword, yang dianggap penting dalam SEO, ternyata tidak memberikan kontribusi signifikan terhadap peningkatan akurasi model. Kesimpulan dari penelitian ini adalah bahwa penggunaan Random Forest dengan seleksi fitur RFE merupakan pendekatan terbaik dalam klasifikasi kualitas SEO. Rekomendasi untuk penelitian selanjutnya adalah mengeksplorasi algoritma lain dan metode seleksi fitur yang berbeda untuk mendapatkan hasil yang lebih optimal di masa mendatang.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,824
Tahun 2026 · Penulis: Alfian Bagus Firmansyah
IMPLEMENTI SEO PADA SITIS INFOKITA17.COM DENGAN MENGGUNAKAN METODE ON HALAMAN SEO DAN KUNKWORD PENUTUP
Penelitian ini mengkaji implementasi strategi Search Engine Optimization (SEO) untuk mengatasi rendahnya performa organik pada situs web lokal Infokita17.com. Berdasarkan data kuartal ketiga tahun 2025, ditemukan kesenjangan performa berupa rendahnya nilai Cli
- Cosine 0,820
Tahun 2026 · Penulis: Muhammad Muhtadin Nurilhaq
Optimasi Hyperparameter Algoritma Random Forest Pada Klasifikasi Malware Android Berbasis Website Menggunakan Bayesian Optimization Tuning
Android merupakan sistem operasi smartphone paling dominan di dunia dengan pangsa pasar global lebih dari 74% sejak tahun 2019. Popularitas tersebut menjadikan Android sebagai target utama serangan malware yang dapat menyalahgunakan perangkat pengguna secara m
- Cosine 0,817
Tahun 2026 · Penulis: Alian Zahid Alaziz
Prediksi Ph Fermentasi Kopi Berbasis Ensemble Learning dan Sistem Iot Pemantauan Suhu
Fermentasi kopi merupakan salah satu tahapan penting yang memengaruhi kualitas akhir biji kopi. Salah satu parameter utama yang menentukan keberhasilan fermentasi adalah nilai pH. Namun, pengukuran pH belum dapat dilakukan secara kontinu karena memerlukan pera