<![CDATA[Pertumbuhan e-commerce di Indonesia mendorong pergeseran pemasaran ke platform daring, sehingga efektivitas belanja iklan digital yang diukur melalui Return on Ad Spend (ROAS) menjadi faktor kunci daya saing seller di marketplace. Alpha Exhaust, seller komponen otomotif knalpot di Shopee, menghadapi ROAS yang belum stabil dengan rata-rata harian 4,59 dan median 2,48 akibat lonjakan nilai ekstrem pada periode tertentu, sehingga menyulitkan penentuan strategi penawaran iklan dan alokasi anggaran. Kondisi ini mendorong kebutuhan model prediksi berbasis machine learning. Penelitian ini membangun model prediksi ROAS menggunakan Support Vector Regression (SVR) dan Random Forest Regressor (RFR), dengan Linear Regression sebagai baseline, serta mengidentifikasi fitur paling berpengaruh. Menggunakan 597 observasi data kampanye Januari–September 2025, data diproses melalui estimasi durasi, penanganan outlier, dan rekayasa fitur, lalu dievaluasi dengan MAE, RMSE, R², dan SMAPE pada dua skenario fitur, serta dianalisis menggunakan Permutation Importance. SVR default dengan fitur dasar (impressions, clicks, orders, duration) memberikan performa terbaik (R²=0,614; MAE=1,656), mengungguli Linear Regression dan seluruh konfigurasi Random Forest yang performanya lebih rendah akibat distribusi ROAS yang sangat skewed. Fitur Orders terbukti paling dominan dengan kontribusi 3,662 poin MAE. Temuan ini memberikan model komparatif prediksi ROAS sekaligus alat bantu praktis bagi seller untuk mengestimasi ROAS dan mengoptimalkan alokasi anggaran iklan.]]>
