IRPIIRPI

MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science

TikTok telah berkembang menjadi salah satu platform interaksi digital terkenal secara luas di seluruh dunia, yang memiliki lebih dari satu miliar orang pengguna aktif. Namun, sebagian video di TikTok memperoleh tingkat engagement yang tinggi meskipun menggunakan pendekatan konten yang serupa. Riset ini dimaksudkan untuk menelusuri unsur-unsur yang memberikan pengaruh terhadap engagement video di TikTok dengan menerapkan algoritma Regresi Linear Berganda. Variabel yang dianalisis meliputi durasi video, jumlah tayangan, komentar, like, share, dan download. Setelah melalui tahap preprocessing data, seleksi fitur, dan pengujian asumsi regresi, ditemukan bahwa video_like_count, video_share_count, dan video_download_count memiliki pengaruh paling signifikan terhadap jumlah tayangan. Hasil evaluasi model membuktikan bahwa model regresi menunjukkan kinerja prediktif yang sangat baik, dengan nilai R² Squared sebesar 0,978, RMSE sebesar 0,0742, dan MSE sebesar 0,0055. Riset ini memberikan gambaran praktis kepada konten kreator dan konten marketing dalam merancang produksi konten yang lebih optimal. Model prediksi ini juga dapat dimanfaatkan untuk memperkirakan potensi engagement suatu video sebelum dipublikasikan.

Riset ini berhasil mengkaji faktor-faktor yang memengaruhi tingkat engagement video di platform TikTok menggunakan metode Multiple Regresi Linear pada dataset dari Kaggle.Faktor seperti durasi video, jumlah tayangan, like, share, dan komentar terbukti berpengaruh signifikan, dengan jumlah tayangan memiliki dampak terbesar terhadap like, share, dan komentar.Model prediksi yang dibangun menunjukkan akurasi tinggi dengan MSE dan RMSE rendah, memberikan wawasan berharga bagi pembuat konten dan pemasar untuk mengoptimalkan strategi engagement.

Penelitian lanjutan dapat mengeksplorasi bagaimana waktu pengunggahan video memengaruhi engagement di TikTok dengan membandingkan pola interaksi harian dan malam hari untuk mengidentifikasi waktu optimal. Selain itu, studi selanjutnya bisa menganalisis pengaruh jenis konten, seperti video edukasi versus hiburan, terhadap tingkat like dan share menggunakan metode regresi yang lebih canggih seperti Random Forest untuk menangani keterbatasan asumsi linear. Akhirnya, penelitian berikutnya disarankan untuk menguji sentimen teks transkripsi video guna memahami bagaimana emosi dalam konten berkontribusi terhadap komentar dan unduhan, melengkapi analisis distribusi data dan variabel tambahan yang disebutkan sebelumnya.

  1. Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier... doi.org/10.23960/jitet.v10i1.2262Analisis Sentimen Kinerja Dewan Perwakilan Rakyat DPR Pada Twitter Menggunakan Metode Naive Bayes Classifier doi 10 23960 jitet v10i1 2262
  2. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. hasil klasifikasi algoritma random forest deteksi... doi.org/10.29207/resti.v5i1.2880Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i hasil klasifikasi algoritma random forest deteksi doi 10 29207 resti v5i1 2880
  3. Perbandingan Kinerja Regresi Decision Tree dan Regresi Linear Berganda untuk Prediksi BMI pada Dataset... doi.org/10.24246/juses.v6i1p34-43Perbandingan Kinerja Regresi Decision Tree dan Regresi Linear Berganda untuk Prediksi BMI pada Dataset doi 10 24246 juses v6i1p34 43
Read online
File size557.48 KB
Pages11
Short Linkhttps://juris.id/p-kT
DMCAReport

Related /

ads-block-test