<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" ID="17712">
<titleInfo>
<title>ANALISIS DAN PREDIKSI VIEWS VIDEO PADA CHANNEL YOUTUBE DHAKSINARGA TV MENGGUNAKAN ALGORITMA RANDOM FOREST REGRESSION UNTUK OPTIMALISASI STRATEGI KONTEN DENGAN PENDEKATAN CRISP-DM</title>
</titleInfo>
<name type="Personal Name" authority="">
<namePart>Y. Yohakim Marwanta, S.Kom., M.Cs.,</namePart>
<role><roleTerm type="text">Additional Author</roleTerm></role>
</name>
<name type="Personal Name" authority="">
<namePart>ANDRIYANI, DWI INDAH - 215610052</namePart>
<role><roleTerm type="text">Primary Author</roleTerm></role>
</name>
<typeOfResource manuscript="yes" collection="yes">mixed material</typeOfResource>
<genre authority="marcgt">bibliography</genre>
<originInfo>
<place><placeTerm type="text">Yogyakarta</placeTerm></place>
<publisher>UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI)</publisher>
<dateIssued>2025</dateIssued>
<issuance>monographic</issuance>
<edition></edition>
</originInfo>
<language>
<languageTerm type="code">id</languageTerm>
<languageTerm type="text">Indonesia</languageTerm>
</language>
<physicalDescription>
<form authority="gmd">Text Skripsi</form>
<extent></extent>
</physicalDescription>
<note>YouTube merupakan salah satu platform berbagi video yang memiliki pengaruh besar dalam menyampaikan informasi kepada masyarakat. Dalam proyek ini, dilakukan prediksi jumlah views video pada kanal YouTube Dhaksinarga TV berdasarkan kategori konten, dengan tujuan untuk memberikan rekomendasi strategi produksi konten yang lebih efektif.
Metode yang digunakan dalam proyek ini adalah Random Forest Regression yang diterapkan menggunakan Python. Dataset yang digunakan berisi data metrik performa video dengan jumlah total 998 data, diambil dari kanal Dhaksinarga TV. Data dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Selain itu, dilakukan analisis korelasi antar fitur untuk memahami hubungan antara variabel seperti likes, shares, views, comments added, dislikes, subscribers lost, subscriber gained, shown in feed, average vies duration, watch time(hours), subscribers, impressions, impressions click-through rate (%), dan kategori. Evaluasi menggunakan R² Score sebesar 92.58% menunjukkan bahwa model mampu menjelaskan 92.58% variabilitas data, sedangkan MAPE sebesar 11.58% menandakan tingkat kesalahan prediksi yang rendah.
Hasil prediksi menunjukkan bahwa kategori &#34;Pendidikan dan Pelatihan&#34; memiliki rata-rata views tertinggi (455.94 views), diikuti oleh &#34;Kebudayaan&#34; (266.13 views), sedangkan kategori &#34;Kesehatan dan Lingkungan&#34; memiliki rata-rata views terendah (139.71 views). Rekomendasi yang diberikan adalah memprioritaskan produksi konten dengan kategori berprediksi tinggi guna meningkatkan engagement dan jangkauan audiens.
Proyek ini berhasil menunjukkan bahwa pemanfaatan algoritma Random Forest Regression dapat menjadi alat yang efektif untuk memprediksi performa konten video berdasarkan data historis, serta memberikan wawasan untuk optimalisasi strategi konten di platform digital.
Kata kunci: prediksi views, machine learning, random forest regression, YouTube.</note>
<subject authority=""><topic>Youtube</topic></subject>
<subject authority=""><topic>Algoritma</topic></subject>
<classification>NONE</classification><identifier type="isbn"></identifier><location>
<physicalLocation>Perpustakaan Universitas Teknologi Digital Indonesia Katalog Online Perpustakaan Universitas Teknologi Digital Indonesia</physicalLocation>
<shelfLocator>024 AND A R.1</shelfLocator>
<holdingSimple>
<copyInformation>
<numerationAndChronology type="1">AND0024SI0125</numerationAndChronology>
<sublocation>RAK REFERENSI SKRIPSI SI</sublocation>
<shelfLocator>024 AND A R.1</shelfLocator>
</copyInformation>
</holdingSimple>
</location>
<recordInfo>
<recordIdentifier>17712</recordIdentifier>
<recordCreationDate encoding="w3cdtf">2025-03-12 09:37:12</recordCreationDate>
<recordChangeDate encoding="w3cdtf">2025-03-12 09:38:08</recordChangeDate>
<recordOrigin>machine generated</recordOrigin>
</recordInfo></mods></modsCollection>