Klasifikasi Halaman SEO berbasis Machine Learning melalui Mutual Information dan Random Forest Feature Importance

Aug 5, 2026

Proses optimasi SEO melibatkan banyak faktor yang saling terkait, sehingga tim SEO sering kesulitan menentukan halaman mana yang membutuhkan perbaikan lanjutan. Penelitian ini mengembangkan model berbasis machine learning untuk klasifikasi halaman web sekaligus efisiensi seleksi fitur. Seleksi fitur dilakukan dengan Mutual Information (MI) dan Random Forest Feature Importance (RFFI), kemudian pemodelan menggunakan Random Forest dan Weighted Voting Ensemble (WVE). Evaluasi memakai Accuracy, Precision, Recall, dan ROC AUC, dengan hasil terbaik Random Forest 20 fitur RFFI (ROC AUC 75,87%).

BahasaIndonesian

KategoriPenelitian & Laporan

FormatPDF

Halaman16

Waktu Membaca25 mnt

AksesGratis untuk diunduh

Daftar Isi

Pendahuluan

Latar belakang SEO dan kompleksitas optimasi

Konsep seleksi fitur dalam statistika

Mutual Information (MI) dan Random Forest Feature Importance (RFFI)

Kesenjangan penelitian dan kontribusi

Klasifikasi Halaman SEO berbasis Machine Learning melalui Mutual Information dan Random Forest Feature Importance SITI NURADILLA, KUSMAN SADIK, CICI SUHAENI, AGUS M SOLEH Program Studi Statistika dan Sains Data, IPB University Email: [sitinuradilla@apps.ipb.ac.id](sitinuradilla@apps.ipb.ac.id) Received 5 Mei 2025 | Revised 20 Mei 2025 | Accepted 5 Juni 2025 ABSTRAK Proses optimasi SEO melibatkan banyak faktor yang saling terkait, sehingga sulit bagi tim SEO dalam menentukan halaman mana yang memerlukan perbaikan lebih lanjut. Penelitian ini bertujuan untuk mengembangkan model berbasis machine learning yang tidak hanya akurat dalam mengklasifikasikan halaman, tetapi jugaefisien dalam memilih fitur yang paling informatif. Metode yang digunakan dalampenelitian ini melibatkan seleksi fitur menggunakan Mutual Information (MI) dan Random Forest Feature Importance (RFFI) untuk mengidentifikasi faktor-faktor yang paling penting untuk optimasi SEO, yang dimodelkan menggunakan Random Forest dan Weighted Voting Ensemble (WVE). Model dievaluasi berdasarkan Accuracy, Precision, Recall, dan ROC AUC. Hasil penelitian menunjukkan bahwa model Random Forest dengan 20 fitur berdasarkan RFFI, memberikan performaterbaik dengan ROC AUC sebesar 75.87%, Accuracy 77,74%, Precision 60,51%, dan Recall 71.29%. Model mampu membedakan secara efektif halaman yang membutuhkan optimasi SEO atau tidak. Kata kunci: Feature Importance, Random Forest, SEO, Seleksi Variabel, WVE ABSTRACT The SEO optimization process involves many interrelated factors, making it challenging to identify which pages need further improvement. This study proposes a machine learning-based model that is accurate in classifying web pages and efficient in selecting the most relevant features. Feature selection is performed using Mutual Information (MI) and Random Forest Feature Importance (RFFI) to identify key factors for SEO optimization, followed by modeling with Random Forest and Weighted Voting Ensemble (WVE). The model is evaluated using Accuracy, Precision, Recall, and ROC AUC. Results indicate that the Random Forest model with 20 features selected via RFFI delivers the best performance, achieving a ROC AUC of 75.87%, an Accuracy of 77.74%, a Precision of 60.51%, and a Recall of 71.29%. The model effectively distinguishes between pages that require SEO optimization and those that do not. Keywords: Feature Importance, Random Forest, SEO, Variable Selection, WVE 1. PENDAHULUAN Era revolusi industri 4.0 dan society 5.0 membawa transformasi besar dalam berbagai sektor salah satunya dunia bisnis dan pemasaran digital. Pemangku bisnis berbondong-bondong menggunakan teknik yang efektif dan efisien untuk menawarkan produknya. Salah satu teknik pemasaran digital yang unggul yaitu Search Engine Optimization (SEO) . SEO menjadi aspek penting dalam meningkatkan visibilitas dan performa suatu website di mesin pencari seperti Google (Alfiana, dkk., 2023) . Pada konteks ini, halaman website yang dioptimasi denganbaik dapat meningkatkan traffic pengunjung dan konversi yang menguntungkan bagi pemilik website. Pemahaman yang baik tentang optimasi SEO sangat penting, khususnya pada SEO On-page yang dapat memengaruhi peringkat web. Banyak faktor yang mempengaruhi peringkat SEO, seperti konten, struktur halaman, kecepatan loading, serta pengalaman pengguna mengakibatkan tim SEO sering kali mendapatkan tantangan dalam menentukan faktor mana yang diprioritaskan untuk optimasi SEO (Ziakis, dkk., 2019) . Proses ini menjadi semakin kompleks karena berbagai elementersebut saling terkait dan dapat mempengaruhi peringkat halaman website secara berbeda, tergantung pada algoritma mesin pencari yang terus berkembang (Aryani, dkk., 2023) . Selain itu, banyak pemilik website atau tim SEO yang masih mengandalkan pendekatan manual untuk menentukan halaman mana yang memerlukan perbaikan lebih lanjut (Rachita & Pandey, 2024) . Hal ini rentan terhadap kesalahan dan keterbatasan waktu. Pada pra

Pertanyaan Umum

Apa tujuan penelitian ini?

Mengembangkan model berbasis machine learning untuk mengklasifikasikan halaman yang perlu dioptimasi SEO sekaligus memilih fitur yang paling informatif secara efisien.

Bagaimana proses seleksi fitur dilakukan?

Seleksi fitur menggunakan Mutual Information (MI) dan Random Forest Feature Importance (RFFI) untuk mengidentifikasi faktor yang paling penting.

Apa kinerja model terbaik yang diperoleh?

Random Forest dengan 20 fitur hasil RFFI memberikan performa terbaik dengan ROC AUC 75,87%, Accuracy 77,74%, Precision 60,51%, dan Recall 71,29%.

Aug 5, 2026

Unggah oleh River Wang