ANALISIS SENTIMEN MEDIA SOSIAL TERHADAP DPR RI: PERBANDINGAN AKURASI EXTRA TREES DAN RANDOM FOREST DENGAN PENDEKATAN KOMPUTASI HIJAU

Analisis sentimen terhadap DPR RI penting untuk memahami opini publik dan persepsi masyarakat terhadap kebijakan legislatif. Penelitian ini membandingkan dua algoritma ensemble learning, yaitu Extra Trees Classifier dan Random Forest Classifier, dalam menganalisis data sentimen dari TikTok dan YouTube. Berbeda dari penelitian sebelumnya yang berfokus hanya pada akurasi, penelitian ini menambahkan aspek efisiensi energi melalui pendekatan komputasi hijau sebagai kontribusi kebaruan. Penelitian dilakukan melalui tahapan pengumpulan data, preprocessing, transformasi menggunakan TF-IDF, pemodelan, dan evaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Selain itu, dilakukan analisis konsumsi energi dan waktu pemrosesan untuk mengukur efisiensi masing-masing model. Hasil menunjukkan bahwa Extra Trees memiliki akurasi lebih tinggi sebesar 92%, sedangkan Random Forest mencapai 90,3%. Namun, Random Forest lebih unggul dari segi efisiensi energi dan waktu, dengan konsumsi 0.0213 kWh dan durasi 8 menit, dibandingkan Extra Trees yang mengonsumsi 0.0248 kWh dan membutuhkan waktu 22 menit. Penelitian ini memberikan kontribusi dalam pemilihan model analisis sentimen yang tidak hanya akurat, tetapi juga efisien secara energi, sehingga lebih ramah lingkungan dan berkelanjutan bagi penerapan teknologi di sektor publik.

Kata kunci : Analisis Sentimen, Extra Trees, Random Forest, Komputasi Hijau, Media Sosial