ABSTRAK
Media sosial seperti YouTube kini menjadi ruang penting bagi publik untuk
mengekspresikan opini terhadap berbagai isu kebijakan, termasuk Revisi
Undang-Undang Tentara Nasional Indonesia (RUU TNI). Namun, penelitian
analisis sentimen pada komentar YouTube masih terbatas, terutama dalam
penerapan klasifikasi multi-kelas menggunakan algoritma Random Forest.
Penelitian ini bertujuan mengimplementasikan Random Forest untuk
klasifikasi sentimen komentar YouTube terkait RUU TNI ke dalam tiga
kategori, yaitu positif, negatif, dan netral. Dataset berjumlah 7118 komentar
yang dibagi menjadi 5694 data latih dan 1424 data uji. Pelabelan dilakukan
dengan pendekatan lexicon-based, sedangkan representasi teks menggunakan
TF-IDF. Untuk mengatasi ketidakseimbangan data, digunakan Class
Weighting (pembobotan kelas), serta optimasi parameter model menggunakan
teknik GridSearchCV dengan kombinasi terbaik n_estimators=300,
max_depth=None, max_features='log2', dan min_samples_split=20. Hasil
pengujian menunjukkan model dengan penyesuaian bobot kelas mencapai
akurasi 80.27%, sedangkan model tanpa penyesuaian mendapatkan akurasi
sebesar 79.42%. Temuan ini menunjukkan bahwa penerapan Class Weighting
dan optimasi parameter efektif meningkatkan performa klasifikasi sentimen
publik terhadap kebijakan RUU TNI di YouTube.