<![CDATA[Perkembangan teknologi digital telah mengubah lanskap periklanan secara global. Industri iklan digital terus mengalami pertumbuhan signifikan dan menjadi channel utama alokasi budget marketing di berbagai industri. Platform seperti Google Ads, Meta Ads, dan programmatic advertising menjadi pilihan utama advertiser di seluruh dunia untuk menjangkau target audience. Penelitian kuantitatif eksperimental ini bertujuan mengembangkan model prediksi CTR berbasis Deep Neural Network (DNN) menggunakan Dataset Kaggle guna mengatasi keterbatasan metode konvensional dalam menangkap interaksi fitur high-dimensional dan sparse. Metodologi penelitian mencakup tahap preprocessing detail melalui embedding layers untuk fitur kategorikal, dilanjutkan dengan pelatihan model dan evaluasi komparatif. Hasil eksperimen menunjukkan bahwa model XGBoost mencapai performa terbaik dengan AUC 0.7446, F1-Score 0.4127, dan Precision 28.67%, melampaui Deep Neural Network simplified (AUC 0.6462, F1-Score 0.3470, Precision 23.21%) dan Logistic Regression baseline (AUC 0.5706, F1-Score 0.2967, Precision 19.20%). Temuan ini mengindikasikan bahwa untuk dataset dengan CTR tinggi (16.97%) dan preprocessing flat encoding, tree-based ensemble models memberikan trade-off optimal antara akurasi prediksi dan efisiensi komputasi. DNN simplified tanpa embedding layers sophisticated belum memanfaatkan kekuatan deep learning secara maksimal untuk menangani high-cardinality categorical features, membuka peluang penelitian lanjutan dengan arsitektur embedding-based yang lebih advanced dan integrasi mekanisme attention untuk meningkatkan performa di masa mendatang.]]>
