Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Informatik : Jurnal Ilmu Komputer Journal of Computing Innovations and Emerging Technologies
Nur Hafifah Matondang
Universitas Pembangunan Nasional “Veteran” Jakarta
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Predicting YouTube Video Viewership Using Multi-Feature Random Forest Modeling: A Case Study on the Warganet Life Official Channel Meiza Alliansa; Nur Hafifah Matondang; Rifka Dwi Amalia
Journal of Computing Innovations and Emerging Technologies Vol. 1 No. 2 (2025): Volume 1 No 2
Publisher : novamindpress

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64472/jciet.v1i2.23

Abstract

This study presents a viewer prediction model for the YouTube channel “Warganet Life Official” using the Random Forest algorithm and multi-feature engagement metrics obtained from YouTube Studio. The dataset includes impressions, likes, dislikes, shares, watch time, and subscriber changes, which were processed using the CRISP-DM framework. The model achieved its best performance under a 70:30 train–test split, producing a MAPE of 12.20%, an RMSE of 204,890.42. Random Forest outperformed Linear Regression and XGBoost baselines, confirming its suitability for modeling nonlinear engagement behavior in dynamic digital-media environments. The novelty of this work lies in its multi-feature, engagement-driven modeling applied to a large Southeast Asian entertainment channel, offering localized evidence for viewer-performance forecasting. Theoretically, this study strengthens recent findings that multi-modal engagement metrics yield more accurate digital-media performance predictions. Practically, the deployment of a Streamlit-based prediction tool enables creators to perform real-time content evaluation and early performance diagnostics, providing actionable insights for improving content strategies and long-term channel optimization.
Prediksi Situasi Lalu Lintas Menggunakan Machine Learning Dengan Algoritma K-Nearest Neighbors Classifier Muhammad Fatur Febrianto; Abimanyu Priyatno; Hawna Adisty; Anisa Fadilah Saputri; Rizki Amanullah; Thesa Pebrianti Krissella; Nindy Irzavika; Nur Hafifah Matondang
Informatik : Jurnal Ilmu Komputer Vol 20 No 1 (2024): April 2024
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52958/iftk.v20i1.7042

Abstract

Setiap tahunnya kepadatan arus lalu lintas pada daerah kota-kota besar terus meningkat. Situasi lalu lintas yang semakin padat telah menjadi tantangan serius bagi pengelolaan transportasi di berbagai kota di seluruh dunia. Penelitian ini memberikan solusi untuk mengatasi kepadatan lalu lintas di kota-kota besar dengan menerapkan metode Machine Learning, khususnya Algoritma K-Nearest Neighbors (K-NN). Berfokus pada peningkatan kepemilikan kendaraan bermotor sebagai penyebab utama kepadatan lalu lintas, penelitian ini mengeksplorasi prediksi situasi lalu lintas guna meningkatkan efisiensi transportasi. Metodologi penelitian melibatkan enam tahap, termasuk pengumpulan data, pembagian dataset (80% data latih dan 20% data uji), dan pengujian K-NN Classifier dengan akurasi terbaik mencapai 85% melalui validasi silang. Kesimpulan menunjukkan bahwa K-NN Classifier dapat memprediksi situasi lalu lintas dengan tingkat akurasi tinggi, terutama pada data latih dengan nilai 1.0. Penerapan metode ini dapat meningkatkan pengelolaan lalu lintas perkotaan dan mendukung otoritas transportasi serta pemerintah kota dalam mengimplementasikan tindakan yang lebih tepat waktu. Meskipun demikian, penelitian ini memiliki keterbatasan, dan saran untuk penelitian selanjutnya mencakup eksplorasi aspek tertentu serta pengembangan metode, tool, dan pelatihan model untuk perbandingan dengan K-NN.
Co-Authors Abimanyu Priyatno Anisa Fadilah Saputri Hawna Adisty Meiza Alliansa Muhammad Fatur Febrianto Nindy Irzavika Rifka Dwi Amalia Rizki Amanullah Thesa Pebrianti Krissella