Garuda - Garba Rujukan Digital

Klasifikasi Performa Video Free Fire di YouTube Menggunakan Pelebelan Otomatis Berbasis K-Means, Random Forest, dan SHAP Wayan Praka; Erik Iman Heri Ujianto
Journal Automation Computer Information System Vol. 6 No. 2 (2026): November (In Progress Issue)
Publisher : Indonesian Journal Publisher

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47134/jacis.v6i2.203

Perkembangan platform YouTube mendorong kreator konten Free Fire untuk memahami faktor-faktor yang memengaruhi performa video untuk meningkatkan strategi publikasi yang lebih efektif. Namun, penelitian yang mengintegrasikan pelebelan otomatis, klasifikasi, dan interpretabilitas model untuk mengungkap faktor penentu masih terbatas. Penelitian ini bertujuan mengembangkan model klasifikasi performa video menggunakan pelabelan otomatis berbasis K-Means, algoritma Random Forest, dan Explainable Artificial Intelligence berbasis SHAP. Dataset yang digunakan terdiri atas 4.000 video Free Fire dari kanal YouTube Indonesia. Proses pelabelan menggunakan algoritma K-Means berdasarkan evaluasi Elbow Method, Silhouette Score, Calinski-Harabasz Index, dan Davies-Bouldin Index. Hasil evaluasi menunjukkan bahwa K=2 memberikan kualitas klaster terbaik dengan nilai Silhouette Score tertinggi, dipilih untuk membentuk dua label, yaitu High Performance sebesar 74,23% dan Low Performance sebesar 25,77%. Selanjutnya, model Random Forest yang dioptimalkan dengan GridSearchCV serta pembagian 80% data pelatihan dan 20% data pengujian. Hasil dari pengujian Random Forest mencapai akurasi sebesar 92,37% dan akurasi 10-Fold Cross Validation rata-rata sebesar 91,59%. Analisis SHAP menunjukkan bahwa Subscriber_Channel merupakan faktor yang paling berpengaruh, diikuti oleh Duration_Sec, Title_Length, Video_Age_Days, Upload_Hour_WIB dan Upload_day_WIB. Kebaruan penelitian ini terletak pada integrasi pelabelan otomatis berbasis K-Means, optimasi Random Forest menggunakan GridSearchCV, serta interpretasi model menggunakan SHAP dalam analisis performa video YouTube. Penelitian ini masih terbatas pada video Free Fire dari kanal YouTube Indonesia sehingga generalisasi terhadap kategori konten maupun wilayah lain memerlukan penelitian lanjutan

Optimasi Deteksi DDoS Berbasis Hybrid CNN-LSTM dengan Recursive Feature Elimination pada Software-Defined Networking Wayan Praka; Andri Yudha Pratama; Erik IH Ujianto; Rianto Rianto
InComTech : Jurnal Telekomunikasi dan Komputer Vol. 16 No. 2 (2026)
Publisher : Department of Electrical Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Keamanan pada arsitektur Software-Defined Networking (SDN) menghadapi ancaman kritis dari evolusi serangan Distributed Denial of Service (DDoS) yang mengeksploitasi celah Single Point of Failure pada controller. Penelitian ini bertujuan mengoptimalkan model deep learning melalui pengembangan arsitektur Ultra-Fast Hybrid CNN-LSTM yang terintegrasi dengan teknik seleksi fitur Recursive Feature Elimination (RFE). Menggunakan dataset modern CIC-DDoS2019 yang memiliki dimensi tinggi, penelitian ini berhasil mereduksi 77 fitur asli menjadi 25 fitur paling berpengaruh guna mengatasi masalah curse of dimensionality dan meminimalkan beban komputasi. Hasil eksperimen menunjukkan bahwa model optimasi mencapai tingkat akurasi sebesar 91,80% dengan keunggulan signifikan pada aspek efisiensi teknis. Dibandingkan dengan model baseline, arsitektur ini memberikan peningkatan waktu pelatihan sebesar 18,91% lebih cepat 64,42 detik dan responsivitas deteksi 12,63% lebih tinggi dengan latensi hanya 0,00003826 detik per paket. Temuan ini menegaskan bahwa sinergi antara reduksi fitur RFE dan arsitektur hibrida yang ramping sangat efektif dalam menjamin ketersediaan layanan pada infrastruktur SDN secara real-time dengan penggunaan sumber daya yang minimal.

Klasifikasi Popularitas Video Roblox Berbasis K-Means dan Support Vector Machine pada Metadata YouTube Wayan Praka; Arief Hermawan; Donny Avianto
Jurnal Rekayasa Teknologi Informasi (JURTI) Vol 10, No 3 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i3.26806

Pertumbuhan metadata YouTube yang masif menyebabkan kreator konten Roblox kesulitan menentukan strategi pengembangan konten karena penilaian popularitas masih bergantung pada jumlah penayangan dan belum didukung oleh label popularitas yang objektif. Kondisi ini menyulitkan proses analisis dan pengambilan keputusan, padahal popularitas video dipengaruhi oleh berbagai metrik interaksi. Penelitian ini mengusulkan pendekatan hybrid menggunakan algoritma K-Means sebagai sistem pelabelan otomatis dan serta memanfaatkan algoritma Support Vector Machine (SVM) guna memprediksi tingkat popularitas video. Dataset yang digunakan sebanyak 1.500 metadata video Roblox yang dikumpulkan melalui YouTube Data API v3 dengan atribut views, likes, comments, dan durasi video. Berdasarkan metode Elbow, diperoleh tiga klaster optimal yang merepresentasikan kategori popularitas Tinggi, Sedang, dan Rendah. Melalui pengujian, integrasi kernel Radial Basis Function pada SVM mampu menghasilkan tingkat akurasi sebesar 99%, yang berarti model mampu mengklasifikasikan tingkat popularitas video ke dalam tiga kategori tersebut dengan tingkat ketepatan yang tinggi. Dibuktikan melalui nilai Macro Average F1-Score mencapai 0,98 yang mengindikasikan ketangguhan model meskipun distribusi kelas tidak seimbang. Selain itu, video dengan durasi sekitar 150 detik cenderung berada pada kategori popularitas tinggi. Temuan ini membuktikan efisiensi penggabungan K-Means dan SVM dalam melakukan pengelompokan popularitas video secara otomatis serta dapat menjadi dasar rekomendasi bagi kreator Roblox dalam mengoptimalkan jangkauan audiens

Klasifikasi Kinerja Konten YouTube Mobile Legends Menggunakan LightGBM dengan Pelabelan Berbasis K-Means dan Interpretasi SHAP Wayan Praka; Ella Kristiantini Susan; Lidya Nurmala Eva
Bulletin of Information Technology (BIT) Vol 7 No 3: September 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bit.v7i3.3138

YouTube is a video-sharing platform widely used by content creators, including those in the gaming category such as Mobile Legends. The intense competition among Mobile Legends content creators has made content performance analysis essential for developing data-driven content strategies. However, most previous studies have relied on manual data labeling, which is prone to subjectivity and lacks efficiency. Furthermore, high-accuracy classification models are often treated as black-box models, making it difficult to explain the factors influencing prediction outcomes. This study aims to develop a YouTube Mobile Legends content performance classification model by integrating K-Means, LightGBM, and Shapley Additive exPlanations (SHAP). The dataset consists of 3,052 videos collected using the YouTube Data API v3. The K-Means algorithm was employed to generate automatic labels, while LightGBM was used as the classification model and SHAP was applied to interpret the model's predictions. The results indicate that the optimal number of clusters was K=2, producing two performance classes: High Performance (72.44%) and Low Performance (27.56%). The dataset was subsequently divided into 80% for training and 20% for testing. On the testing dataset, the LightGBM model achieved an accuracy of 93.78%, precision of 93.87%, recall of 93.78%, and an F1-score of 93.81%. Furthermore, 10-fold cross-validation yielded a mean accuracy of 92.75% with a standard deviation of 0.0148, demonstrating the model's robustness and stability. SHAP analysis revealed that Subscriber Count was the most influential feature, followed by Duration, Video Age, and Title Length. These findings demonstrate that the integration of K-Means, LightGBM, and SHAP provides an effective approach for objectively, accurately, and transparently classifying the performance of Mobile Legends content on YouTube, while offering valuable insights to support content creators in developing data-driven content strategies.

Klasifikasi Popularitas Video Roblox Berbasis K-Means dan Support Vector Machine pada Metadata YouTube Wayan Praka; Arief Hermawan; Donny Avianto
Jurnal Rekayasa Teknologi Informasi Vol. 10 No. 3 (2026): Jurnal Rekayasa Teknologi Informasi (JURTI)
Publisher : Universitas Mulawarman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30872/jurti.v10i3.26806

Pertumbuhan metadata YouTube yang masif menyebabkan kreator konten Roblox kesulitan menentukan strategi pengembangan konten karena penilaian popularitas masih bergantung pada jumlah penayangan dan belum didukung oleh label popularitas yang objektif. Kondisi ini menyulitkan proses analisis dan pengambilan keputusan, padahal popularitas video dipengaruhi oleh berbagai metrik interaksi. Penelitian ini mengusulkan pendekatan hybrid menggunakan algoritma K-Means sebagai sistem pelabelan otomatis dan serta memanfaatkan algoritma Support Vector Machine (SVM) guna memprediksi tingkat popularitas video. Dataset yang digunakan sebanyak 1.500 metadata video Roblox yang dikumpulkan melalui YouTube Data API v3 dengan atribut views, likes, comments, dan durasi video. Berdasarkan metode Elbow, diperoleh tiga klaster optimal yang merepresentasikan kategori popularitas Tinggi, Sedang, dan Rendah. Melalui pengujian, integrasi kernel Radial Basis Function pada SVM mampu menghasilkan tingkat akurasi sebesar 99%, yang berarti model mampu mengklasifikasikan tingkat popularitas video ke dalam tiga kategori tersebut dengan tingkat ketepatan yang tinggi. Dibuktikan melalui nilai Macro Average F1-Score mencapai 0,98 yang mengindikasikan ketangguhan model meskipun distribusi kelas tidak seimbang. Selain itu, video dengan durasi sekitar 150 detik cenderung berada pada kategori popularitas tinggi. Temuan ini membuktikan efisiensi penggabungan K-Means dan SVM dalam melakukan pengelompokan popularitas video secara otomatis serta dapat menjadi dasar rekomendasi bagi kreator Roblox dalam mengoptimalkan jangkauan audiens

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search