Optimasi Model Machine Learning Untuk Klasifikasi Kualitas Search Engine Optimization (SEO) Menggunakan Recursive Feature Elimination

Abstract

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.