ARDANA, Mohammad Libran Surya (2026) Prediksi Tingkat Engagement Video VTuber Indonesia Menggunakan Algoritma Random Forest. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive Mohammad_Libran_Surya_Ardana-24060119130093-SOFTFILE_SKRIPSI.rar Restricted to Repository staff only Download (7MB) | Request a copy
	Text 1. COVER.pdf Download (122kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (216kB)
	Text 5. KATA PENGANTAR.pdf Download (134kB)
	Text 6. ABSTRAK.pdf Download (129kB)
	Text 7. ABSTRACT.pdf Download (115kB)
	Text 8. DAFTAR ISI.pdf Download (177kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (224kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (183kB)

Abstract

Virtual YouTuber (VTuber) merupakan salah satu bentuk konten digital yang berkembang pesat
di Indonesia. Tingkat engagement video menjadi indikator penting dalam menilai keberhasilan
sebuah konten VTuber karena mencerminkan keterlibatan penonton melalui interaksi seperti
views, likes, dan komentar. Pemahaman terhadap tingkat engagement penting bagi VTuber dan
agensi untuk mengevaluasi performa konten serta merancang strategi pengembangan channel.
Namun, penelitian yang secara khusus membangun model prediksi untuk mengukur tingkat
engagement video VTuber Indonesia masih terbatas. Penelitian ini bertujuan untuk
menerapkan algoritma Random Forest dalam memprediksi tingkat engagement video VTuber
Indonesia. Dataset terdiri dari 37.406 data video VTuber Indonesia pada periode 2020-2024
yang dikumpulkan dari 50 channel yang diurutkan berdasarkan total views channel.
Pengumpulan data dilakukan dengan metode web scraping menggunakan YouTube API,
dengan fitur yang mencakup metrik interaksi video, durasi, usia video, usia channel, jumlah
subscribers, waktu unggah, status livestream, kategori konten, panjang judul, jumlah tag, serta
afiliasi agensi. Tahapan penelitian meliputi data cleaning, data transformation, one-hot
encoding untuk fitur kategorikal, klasifikasi nilai engagement menggunakan batas kuartil dari
metode IQR, pemilihan fitur, serta pembagian data latih dan data uji. Model Random Forest
kemudian dilatih dengan pengaturan hyperparameter n_estimators = 300, max_depth = 20,
min_sample_split = 5, min_sample_leaf = 1, dan class weight = ‘balanced’. Model
menghasilkan akurasi sebesar 80,23%, dengan macro average F1-score 0,80 dan weighted
average F1-score 0,81. Model mampu mengklasifikasikan tiga kelas engagement dengan baik,
di mana kelas Low memiliki F1-score tertinggi (0,84), sedangkan kelas High menunjukkan
performa terendah (0,76). Analisis feature importance mengidentifikasi video_age, duration,
subscribers, dan channel_age_months sebagai fitur yang paling berpengaruh dalam prediksi
engagement.
Kata kunci : Virtual YouTuber, YouTube, engagement, Random Forest, klasifikasi

Actions (login required)

View Item