<![CDATA[Implementasi dan evaluasi komparatif model tree-based ensemble (Random Forest, XGBoost, LightGBM) dan model deep learning (Multi-Layer Perceptron (MLP), Convolutional Neural Network (CNN), Recurrent Neural Network (RNN-LSTM)) untuk prediksi klik iklan online. Tujuan utama adalah untuk mengidentifikasi model yang paling efektif dalam menangani data tabular yang tidak seimbang. Metodologi penelitian mencakup pra-pemrosesan data yang komprehensif, termasuk penanganan nilai yang hilang dan penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model-model dilatih pada dataset iklan online dan dievaluasi menggunakan metrik Akurasi, Presisi, Recall, F1-Score, dan Area Under the Curve (AUC). Hasil menunjukkan bahwa model tree-based ensemble secara konsisten memberikan kinerja yang lebih seimbang dan kemampuan diskriminatif yang lebih tinggi (AUC), dengan XGBoost mencapai AUC tertinggi (0.7513) dan LightGBM menunjukkan Akurasi (0.7020) serta F1-Score (0.7791) yang kompetitif. Meskipun model deep learning mencapai Recall dan F1-Score yang tinggi, nilai AUC mereka secara signifikan lebih rendah, menyoroti tantangan adaptasi arsitektur deep learning untuk data tabular murni. Penelitian ini menegaskan keunggulan model tree-based ensemble untuk prediksi klik iklan pada data tabular.]]>
Copyrights © 2026
