TRI GUNA DHARMATRI GUNA DHARMA

Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)

YouTube telah menjadi platform utama untuk konsumsi konten video, dengan tren video yang terus berkembang sesuai perubahan minat audiens. Penelitian ini bertujuan untuk mengelompokkan film trending di YouTube berdasarkan judul dan popularitasnya menggunakan pendekatan TF-IDF dan K-Means Clustering. TF-IDF digunakan untuk mengekstraksi fitur dari judul video, mengidentifikasi kata-kata kunci penting yang mencirikan tema setiap film. Algoritma K-Means kemudian digunakan untuk mengelompokkan video ke dalam beberapa cluster berdasarkan kemiripan fitur TF-IDF dan jumlah views. Hasil penelitian menunjukkan bahwa video dapat dikelompokkan ke dalam tiga cluster dengan karakteristik unik. Evaluasi menggunakan Silhouette Score menunjukkan bahwa kualitas clustering masih dapat ditingkatkan. Penelitian ini memberikan wawasan bagi kreator konten dan pemasar digital untuk menyusun strategi konten yang lebih menarik dan relevan, serta memberikan kontribusi akademis dalam analisis data berbasis teks.

Penelitian ini berhasil mengelompokkan video YouTube menjadi tiga cluster utama berdasarkan fitur seperti judul video, genre, dan jumlah views.WordCloud untuk setiap cluster memberikan gambaran kata-kata dominan yang mencerminkan tema utama dalam cluster tersebut.Penelitian ini memberikan wawasan tentang bagaimana video YouTube dapat dikelompokkan berdasarkan tema dan popularitas menggunakan teknik TF-IDF, K-Means clustering, dan WordCloud.Kualitas clustering yang rendah menunjukkan bahwa data dalam cluster memiliki tumpang tindih yang tinggi, atau sulit untuk dipisahkan dengan baik ke dalam cluster yang berbeda.Sebagai masukan untuk penelitian ke depan dengan optimalisasi jumlah klaster (k) ataupun dengan pemilihan fitur yang lebih relevan.

Berdasarkan hasil penelitian, terdapat beberapa saran penelitian lanjutan yang dapat dikembangkan. Pertama, perlu dilakukan eksplorasi lebih lanjut mengenai optimalisasi jumlah cluster (k) dalam algoritma K-Means, karena hasil Silhouette Score menunjukkan kualitas clustering yang masih dapat ditingkatkan. Kedua, penelitian selanjutnya dapat mengkaji penggunaan teknik Natural Language Processing (NLP) yang lebih canggih untuk mengekstraksi fitur dari judul film, seperti sentiment analysis atau topic modeling, guna menghasilkan representasi yang lebih akurat dan informatif. Ketiga, penelitian dapat diperluas dengan mempertimbangkan faktor-faktor lain yang memengaruhi popularitas film, seperti aktor, sutradara, atau platform distribusi, untuk menghasilkan model clustering yang lebih komprehensif dan dapat memberikan wawasan yang lebih mendalam bagi kreator konten dan pemasar digital.

  1. Penerapan K-Means Clustering untuk Klasifikasi Serangan Cyber pada Syslog File | Jurnal Sistem dan Informatika... doi.org/10.30864/jsi.v14i2.305Penerapan K Means Clustering untuk Klasifikasi Serangan Cyber pada Syslog File Jurnal Sistem dan Informatika doi 10 30864 jsi v14i2 305
  2. Implementation of TF-IDF Algorithm and K-mean Clustering Method to Predict Words or Topics on Twitter... trilogi.ac.id/journal/ks/index.php/JISA/article/view/831Implementation of TF IDF Algorithm and K mean Clustering Method to Predict Words or Topics on Twitter trilogi ac journal ks index php JISA article view 831
  3. KLASIFIKASI VIDEO PADA MEDIA SOSIAL YOUTUBE DENGAN MENGGUNAKAN METODE K-MEANS DAN SUPPORT VECTOR MACHINE... locus.rivierapublishing.id/index.php/jl/article/view/1732KLASIFIKASI VIDEO PADA MEDIA SOSIAL YOUTUBE DENGAN MENGGUNAKAN METODE K MEANS DAN SUPPORT VECTOR MACHINE locus rivierapublishing index php jl article view 1732
  4. Opinion-based Homogeneity on YouTube | Amsterdam University Press Journals Online. opinion based homogeneity... doi.org/10.5117/CCR2020.1.004.ROCHOpinion based Homogeneity on YouTube Amsterdam University Press Journals Online opinion based homogeneity doi 10 5117 CCR2020 1 004 ROCH
Read online
File size1.17 MB
Pages10
DMCAReport

Related /

ads-block-test