PLBPLB

TEMATIKTEMATIK

Penelitian ini mengimplementasikan model hibrid CNN-LSTM untuk menganalisis dan memprediksi perilaku pengguna perangkat seluler menggunakan dataset dari 700 pengguna. Model ini menggabungkan kekuatan CNN dalam ekstraksi fitur spasial dan LSTM dalam analisis sekuensial temporal. Hasil menunjukkan performa model yang sangat baik dengan akurasi 92%, presisi 89%, recall 91%, dan F1-score 90%. Analisis pola temporal mengungkapkan variasi signifikan antar kelas pengguna, dengan kelas intensif menunjukkan penggunaan konsisten tinggi (rata-rata 300 menit/hari). Faktor kunci yang mempengaruhi pengalaman pengguna teridentifikasi: waktu penggunaan aplikasi (25%), waktu layar menyala (22%), dan konsumsi baterai (18%). Segmentasi pengguna menghasilkan lima kelompok distingtif, dengan Segmen 2 menunjukkan penggunaan tertinggi (6,2 jam/hari) dan Segmen 5 terendah (1,3 jam/hari). Korelasi kuat (0,89) antara waktu penggunaan aplikasi dan waktu layar menyala menegaskan pentingnya optimasi kinerja aplikasi. Temuan ini memberikan dasar untuk personalisasi layanan yang lebih efektif dan pengembangan aplikasi yang lebih terarah, membuka jalan bagi optimasi pengalaman pengguna perangkat seluler.

Penelitian ini mengimplementasikan model hybrid CNN-LSTM untuk menganalisis dan memprediksi pola perilaku pengguna perangkat seluler.Model yang dikembangkan menunjukkan performa yang sangat baik, dengan akurasi keseluruhan mencapai 92%.Analisis pola temporal penggunaan perangkat mengungkapkan variasi yang signifikan antar kelas pengguna, dan faktor-faktor kunci seperti waktu penggunaan aplikasi, waktu layar menyala, dan konsumsi baterai telah diidentifikasi.Segmentasi pengguna menghasilkan kelompok-kelompok dengan karakteristik berbeda, yang memungkinkan strategi personalisasi yang lebih terarah.

Berdasarkan temuan penelitian ini, beberapa saran penelitian lanjutan dapat diajukan. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengeksplorasi pengaruh faktor demografis yang lebih rinci, seperti tingkat pendapatan dan pendidikan, terhadap pola penggunaan perangkat seluler. Hal ini dapat memberikan wawasan yang lebih mendalam tentang bagaimana karakteristik sosio-ekonomi mempengaruhi perilaku pengguna. Kedua, penelitian dapat difokuskan pada pengembangan model yang mampu memprediksi perubahan perilaku pengguna dalam jangka panjang, dengan mempertimbangkan faktor-faktor eksternal seperti tren teknologi dan perubahan gaya hidup. Ketiga, penting untuk menyelidiki implikasi etis dan privasi dari analisis perilaku pengguna yang mendalam, serta mengembangkan kerangka kerja yang memastikan penggunaan data yang bertanggung jawab dan melindungi hak-hak pengguna. Dengan menggabungkan ketiga saran ini, penelitian di masa depan dapat memberikan kontribusi yang signifikan dalam memahami dan mengoptimalkan pengalaman pengguna perangkat seluler secara berkelanjutan.

  1. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informas)i. bert indobert lstm classifying public opinion... jurnal.iaii.or.id/index.php/RESTI/article/view/4215Jurnal RESTI Rekayasa Sistem dan Teknologi Informas i bert indobert lstm classifying public opinion jurnal iaii index php RESTI article view 4215
  2. Frontiers | Deep learning for studying drawing behavior: A review. frontiers deep learning studying drawing... doi.org/10.3389/fpsyg.2023.992541Frontiers Deep learning for studying drawing behavior A review frontiers deep learning studying drawing doi 10 3389 fpsyg 2023 992541
  3. Implementasi Model Hybrid CNN-LSTM untuk Optimasi Pengalaman Pengguna Perangkat Seluler | TEMATIK. implementasi... jurnal.plb.ac.id/index.php/tematik/article/view/2125Implementasi Model Hybrid CNN LSTM untuk Optimasi Pengalaman Pengguna Perangkat Seluler TEMATIK implementasi jurnal plb ac index php tematik article view 2125
  4. Faculty's acceptance of computer based technology: Cross-validation of an extended model | Australasian... doi.org/10.14742/ajet.1095Facultys acceptance of computer based technology Cross validation of an extended model Australasian doi 10 14742 ajet 1095
  1. #model hybrid cnn-lstm#model hybrid cnn-lstm
  2. #model hybrid#model hybrid
File size422.44 KB
Pages9
DMCAReportReport

ads-block-test