Perbandingan Algoritma XGBoost dan Random Forest dalam Klasifikasi Surat Masuk Pemerintahan

Fadila Ananda Kartika Hidayat; Neny Sulistianingsih; Rifqi Hammad

doi:10.31004/riggs.v4i4.5044

Authors

Fadila Ananda Kartika Hidayat Universitas Bumigora
Neny Sulistianingsih Universitas Bumigora
Rifqi Hammad Universitas Bumigora

DOI:

https://doi.org/10.31004/riggs.v4i4.5044

Keywords:

Klasifikasi Surat, Pemerintahan, XGBoost, Random Forest

Abstract

Pengelolaan surat masuk pada lingkungan pemerintahan daerah berperan penting dalam mendukung efektivitas administrasi dan pengambilan keputusan oleh pimpinan daerah. Surat masuk merupakan salah satu bentuk komunikasi resmi yang harus dikelola secara sistematis agar informasi yang terkandung di dalamnya dapat segera ditindaklanjuti sesuai dengan bidang administrasi terkait. Volume surat yang tinggi sering menimbulkan berbagai kendala, terutama dalam proses identifikasi isi surat dan pengelompokan berdasarkan bidang administrasi yang berwenang. Kondisi tersebut berpotensi menyebabkan keterlambatan disposisi, kesalahan pengelompokan surat, serta menurunnya kualitas pelayanan administrasi apabila masih dilakukan secara manual. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu Extreme Gradient Boosting (XGBoost) dan Random Forest, dalam melakukan klasifikasi surat masuk kepala daerah secara otomatis dan terstruktur. Data yang digunakan dalam penelitian ini meliputi arsip surat masuk pemerintah daerah periode 2021–2022 serta hasil ekstraksi dokumen surat berbentuk PDF yang diperoleh dari aplikasi persuratan SRIKANDI menggunakan pustaka pdfplumber untuk menghasilkan data teks yang dapat diolah.. Tahapan penelitian mencakup proses pra-pemprosesan data, pembagian data menjadi data latih dan data uji, pelatihan model, serta evaluasi kinerja model menggunakan indikator accuracy, precision, recall, dan F1-score. Berdasarkan hasil pengujian, algoritma XGBoost menunjukkan performa yang lebih unggul dengan nilai akurasi sebesar 81,87% dan F1-score 82,00%, dibandingkan Random Forest yang hanya mencapai akurasi 76,00% dan F1-score 76,03%. Dengan demikian, XGBoost dinilai lebih efektif untuk mendukung proses klasifikasi surat dalam implementasi e-government di lingkungan pemerintahan daerah.

Downloads

Download data is not yet available.

References

D. Dwiyanto, “Dasar Hukum Bagi E-Goverment di Indonesia: Studi Pemetaan Hukum Pada Pemerintah Daerah,” J. Penelit. Huk., vol. 2, no. 8.5.2017, pp. 2003–2005, 2022.

N. Irma, B. Ginting, Agusmidah, and J. Leviza, “Penerapan E-Government dalam Penyelenggaraan Pemerintahan di Kota Binjai,” Locus J. Acad. Lit. Rev., vol. 2, no. 6, pp. 454–466, 2023, [Online]. Available: https://jurnal.locusmedia.id/index.php/jalr/article/view/168

C. P. Matau, S. Yohanes, and H. R. Udju, “Implementaasi E-Goverment Bagi Keterbukaan Informasi Publik Melalui Website Pemerintah Kabupaten Manggarai,” Petitum Law J., vol. 2, no. 1, pp. 177–188, 2025.

K. P. Harmandini and K. M. L, “Analysis of TF-IDF and TF-RF Feature Extraction on Product Review Sentiment,” J. dan Penelit. Tek. Inform., vol. 8, no. 2, pp. 929–937, 2024, doi: 10.33395/sinkron.v8i2.13376.

D. A. Suci et al., “Pengelolaan Administrasi Surat Menyurat Menggunakan Tata Naskah Dinas Berbasis Elektronik Di Balai Prasarana Permukiman Wilayah Gorontalo,” J. Ilmu Pemerintah. dan Adm. Publik, vol. 2, pp. 1–9, 2024.

M.- Azdiansyah and N. Chalik Azhar, “Pengembangan Sistem Informasi Surat Masuk dan Keluar Berbasis Web pada Instansi Pemerintah dengan Evaluasi UAT,” J. Manaj. Sist. Inf. dan Teknol., vol. 15, no. 1, p. 82, 2025, doi: 10.36448/expert.v15i1.4300.

H. Hermawan, E. A. Muhtar, and Milwan, “Pengelolaan Administrasi Umum Pemerintahan Desa Dalam Perspektif Implementasi Kebijakan Publik di Desa Rian Dan Desa Kapuak,” J. Adm. Reform, vol. 10, no. 1, pp. 52–69, 2022.

A. Abidin and R. Hayati, “Implementasi Aplikasi Elektronik (E-Office) Dilihat Dari Aspek Sumber Daya Pada Sekretariat Daerah Kabupaten Tabalong,” J. Adm. Publik Adm. Bisnis, vol. 7, pp. 330–346, 2024.

F. Rizky and A. Surahmat, “Sistem Otomatis Ringkasan Laporan Keuangan Berbasis PDF Menggunakan Metode NLP Transformer,” J. Ilm. Tek. Inform., vol. 14, no. 164, pp. 238–244, 2025.

K. Rahayu, V. Fitria, D. Septhya, and ..., “Klasifikasi Teks untuk Mendeteksi Depresi dan Kecemasan pada Pengguna Twitter Berbasis Machine Learning,” Indones. J. Mach. Learn. Comput. Sci., vol. 3, no. October, pp. 108–114, 2023, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/780

K. A. Wardana and A. M. A. Rahim, “Analisis Perbandingan Algoritma XGBoost Dan Algoritma Random Forest Untuk Klasifikasi Data Kesehatan Mental,” J. Ilmu Komput. dan Pendidik., vol. 2, no. 5, pp. 808–818, 2024, [Online]. Available: https://www.kaggle.com/datasets/bhavikjikadara/mental-health-dataset

M. S. Maulana, Y. Anshori, R. Azhar, R. Laila, and N. T. Lapatta, “Implementasi Pembobotan Tf-Idf Pada Chatbot Telegram Untuk Sistem Layanan Informasi,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 3, pp. 1869–1877, 2025, doi: 10.29100/jipi.v10i3.6314.

D. Septiani and I. Isabela, “Analisis Term Frequency–Inverse Document Frequency (TF-IDF) dalam Temu Kembali Informasi pada Dokumen Teks,” J. Sist. dan Teknol. Inf. Indones., vol. 1, no. 2, pp. 81–88, 2022.

I. S. Wibowo, A. Witanti, and I. Susilawati, “Keyword Extraction Judul Berita Online Di Indonesia Menggunakan Metode TF-IDF,” J. Tek. Inform. dan Sist. Inf., vol. 11, no. 1, pp. 99–111, 2024, [Online]. Available: http://jurnal.mdp.ac.id

H. L. Wati, N. Anggraeni, S. Kolbiah, U. Hendar, and N. Agustina, “Perbandingan Algoritma Random Forest Dan XGBoost Untuk Analisis Sentimen Publik Terhadap Rumah Makan Payakumbuah,” J. Ilm. Nas. Ris. Apl. dan Tek. Inform., vol. 07, no. 01, pp. 64–71, 2025.

M. Erkamim, S. Suswadi, M. Z. Subarkah, and E. Widarti, “Komparasi Algoritme Random Forest dan XGBoosting dalam Klasifikasi Performa UMKM,” J. Sist. Inf. Bisnis, vol. 13, no. 2, pp. 127–134, 2023, doi: 10.21456/vol13iss2pp127-134.

R. Yulianti, E. Aghnia Ilmani, M. Z. Waliulu, B. Sartono, and A. R. Firdawanti, “Perbandingan Algoritma Random Forest dan XGBoost dalam Klasifikasi Penerima Bantuan Pangan Non-Tunai (BPNT) di Provinsi Jawa Barat,” J. Ilm. Pendidik. Mat. Mat. dan Sains, vol. 6, no. 1, pp. 21–32, 2025, [Online]. Available: http://lebesgue.lppmbinabangsa.id/index.php/home

B. Juarto and Yulianto, “Indonesian News Classification Using IndoBert,” Int. J. Intell. Syst. Appl. Eng., vol. 11, no. 2, pp. 454–460, 2023.

I. Hendrawan Rifky, E. Utami, and A. Hartanto Dwi, “Analisis Perbandingan Metode Tf-Idf dan Word2vec pada Klasifikasi Teks Sentimen Masyarakat Terhadap Produk Lokal di Indonesia,” Smart Comp, vol. 11, no. 3, pp. 497–503, 2022, doi: 10.30591/smartcomp.v11i3.3902.

F. Damaryanti and Aji Supriyanto, “Optimization of the SRIKANDI E-Government System Using XGBoost-Based Classification and One-Class SVM Anomaly DetectionType,” Inf. Technol. Int. J., vol. 3, no. 1, pp. 29–43, 2025, doi: 10.33005/itij.v3i1.50.

M. B. Prayogi, F. Apriani, and Nirma, “Prediksi Angka Harapan Hidup Menggunakan Random Forest dan XGBoost Regression,” J. Inform. dan Teknol., vol. 2, no. 1, pp. 112–121, 2025.

D. Iskandar and A. Kurniawati, “Analisis Perbandingan Teknik Word2vec dan Doc2vec dalam Mengukur Kemiripan Dokumen Menggunakan Cosine Similarity,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 1, pp. 133–144, 2025, doi: 10.25126/jtiik.2025129143.