LAPORAN HASIL

DISUSUN OLEH: KELOMPOK 8 DZULFIKAR (2023511003) MUH.AIDIL ISLAM (2023511037) RISKAL HIDAYAT (2023511023) KELAS : A

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS AL ASYARIAH MANDAR 2023/2024

KATA PENGANTAR

Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa, atas segala rahmat dan karunia-Nya sehingga kami dapat menyelesaikan laporan yang berjudul “YouTube dengan Menggunakan Metode Random Forest” ini. Laporan ini disusun sebagai hasil dari penelitian yang kami lakukan untuk memahami lebih dalam mengenai aplikasi metode Random Forest dalam analisis data YouTube. Penelitian ini bertujuan untuk mengidentifikasi pola dan tren yang terdapat pada data YouTube, serta dipilih karena kemampuannya dalam mengolah data yang kompleks dan beragam, serta menghasilkan model prediksi yang akurat dan dapat diandalkan. Kami berharap laporan ini dapat memberikan kontribusi yang berarti dalam bidang analisis data dan machine learning. Dalam proses penyusunan laporan ini, kami telah menerima banyak bantuan dan dukungan dari berbagai pihak. Kami ingin mengucapkan terima kasih kepada dosen pembimbing yang telah memberikan arahan dan bimbingan, serta kepada teman-teman dan keluarga yang telah memberikan dukungan moral dan materiil. Tanpa bantuan mereka, laporan ini tidak akan dapat terselesaikan dengan baik. Akhir kata, kami menyadari bahwa laporan ini masih jauh dari sempurna. Oleh karena itu, kami sangat mengharapkan kritik dan saran yang membangun demi perbaikan di masa yang akan datang. Semoga laporan ini bermanfaat bagi para pembaca dan dapat dijadikan referensi dalam penelitian selanjutnya.

DAFTAR ISI Contents LAPORAN HASIL 1 KATA PENGANTAR 2 BAB 1 5 PENDAHULUAN 5 1.1 Latar belakang 5 1.2 Rumusan masalah 5 1.3 Tujuan 5 BAB II 6 TINJAUAN TEORI 6 2.1 Defnisi statistik 6 2.2 Prediksi 6 2.3 Random forest sederhana 6 2.4 Python 7 BAB III 8 HASIL DAN PEMBAHASAAN 8 3.1 Hasil 8 3.1.1 hasil perhitungan 8 3.2 Pembahasaan 8 BAB IV 10 PENUTUP 10 4.1 Kesimpulan 10 4.2 Saran 10 DAFTAR PUSTAKA 11

BAB 1 PENDAHULUAN Latar belakang YouTube telah menjadi platform berbagi video terbesar di dunia, dengan jutaan konten diunggah setiap harinya. Platform ini tidak hanya digunakan untuk hiburan, tetapi juga sebagai alat pemasaran, edukasi, dan berbagai tujuan lainnya. Popularitas video di YouTube dapat dipengaruhi oleh berbagai faktor, seperti judul, deskripsi, tag, jumlah tayangan, dan interaksi pengguna. Dalam konteks ini, analisis data YouTube menjadi penting untuk memahami tren dan pola yang ada, serta untuk memprediksi faktor-faktor yang mempengaruhi popularitas video.

Metode Random Forest merupakan salah satu teknik machine learning yang efektif untuk mengolah data yang kompleks dan beragam. Metode ini bekerja dengan membangun sejumlah besar pohon keputusan (decision trees) dan menggabungkannya untuk menghasilkan prediksi yang lebih akurat dan stabil. Keunggulan Random Forest dalam menangani variabel yang banyak dan beragam menjadikannya pilihan yang tepat untuk analisis data YouTube, di mana setiap video memiliki banyak fitur yang dapat dianalisis.

Penelitian ini bertujuan untuk menerapkan metode Random Forest dalam menganalisis data YouTube guna mengidentifikasi faktor-faktor yang paling berpengaruh terhadap popularitas video. Dengan pemahaman yang lebih baik tentang faktor-faktor ini, diharapkan para pembuat konten dapat lebih efektif dalam mengelola dan mengoptimalkan video mereka untuk mencapai audiens yang lebih luas. Selain itu, penelitian ini juga diharapkan dapat memberikan kontribusi pada pengembangan metode analisis data yang lebih canggih di masa depan

Rumusan masalah 
Bagaimana metode Random Forest dapat diterapkan untuk memprediksi popularitas video YouTube berdasarkan fitur-fitur seperti jumlah tayangan, likes, dan komentar?
Seberapa efektif metode Random Forest dalam membedakan kategori video YouTube yang berbeda (misalnya, musik, vlog, tutorial) berdasarkan metadata dan statistik video?
Apa saja kelebihan dan kekurangan metode Random Forest dibandingkan dengan metode machine learning lainnya dalam menganalisis data YouTube?

Tujuan
Menganalisis Kinerja Algoritma
Identifikasi Fitur Penting
Pembuatan Model Prediktif

BAB II TINJAUAN TEORI

2.1 Defnisi statistik Random Forest adalah algoritma ensemble learning yang menggabungkan prediksi dari beberapa pohon keputusan individu untuk meningkatkan akurasi dan mengontrol overfitting. Dalam analisis statistik, Random Forest memanfaatkan banyak pohon keputusan yang dibangun dari subset acak dari data pelatihan dan fitur. Hasil akhir diperoleh melalui agregasi hasil dari semua pohon tersebut, yang menghasilkan model yang lebih stabil dan memiliki generalisasi yang lebih baik dibandingkan dengan model pohon keputusan tunggal

2.2 Prediksi Prediksi menggunakan metode Random Forest melibatkan pembuatan model yang terdiri dari banyak pohon keputusan yang bekerja bersama untuk memberikan hasil prediksi yang akurat. Setiap pohon dalam Random Forest dibangun secara acak dari subset data training, dan prediksi akhir diperoleh dengan menggabungkan hasil dari semua pohon dalam ensambel. Metode ini sangat cocok untuk berbagai jenis masalah, baik klasifikasi maupun regresi, karena mampu menangani kompleksitas dan variasi dalam data dengan baik, serta memiliki kemampuan untuk menangani overfitting melalui teknik averaging dari banyak model. Hal ini menjadikan Random Forest sebagai salah satu pilihan yang populer dalam analisis data dan machine learning untuk membuat prediksi yang andal dan robust terhadap noise dalam data.

2.3 Random forest sederhana Random Forests (RF) adalahh metode yang dapat meningkatkan hasil akulasi dalam membangkitkan atribut untuk setipa node yang dilakukan secara acak. Penelitian ini bertujuan untuk mengetahui tingkat akutasi metode RF dalam memprediksi varian minuman kopi di kedai konjiwa banteng yang paling diminati pelanggan. Berikut tahapan proses kerja random forest: Langkah 1: pilih titik data K secara acak dari training set. Langkah 2: buat decision tree untuk setiap sampel dengan tiitikdata yang dipilih Langkah 3: pilih beberapa banyakn jawaban decision tree yang ingin diibatkan untuk membnagun random forest Langkah 4: pertimbangan hasil akhir berdasarkan suara mayoritas atau rata rata.

Rumus matematis untuk algoritma Random Forests tidaklah sederhana seperti rumus dalam beberapa model statistik tradisional, namun, saya dapat memberikan gambaran singkat tentang cara kerjanya. Pembentukan pohon: Random Forests terdiri dari banyak pohon keputusan yang dibangun secara acak. Setiap pohon keputusan dibangun menggunakan sampel data yang diambil secara acak dari dataset pelatihan. Pohon-pohon ini dibangun dengan membagi data berulang-ulang berdasarkan fitur-fitur yang ada, sehingga menciptakan aturan-aturan keputusan. Pemilihan fitur: saat membangun setiap pohon keputusan, hanya sebagian fitur yang dipertimbangkan. Ini dilakukan secara acak untuk setiap pohon, sehingga tidak semua fitur digunakan dalam setiap pohon. Voting atau everaging: ketika suatu prediksi perlu dibuat, setiap pohon memberikan prediksi berdasarkan aturan yang telah dibuatnya. Dalam klasifikasi, kelas dengan mayoritas prediksi dari pohon-pohon tersebut dipilih sebagai prediksi akhir. Sedangkan dalam regresi, hasil dari setiap pohon diambil rata-ratanya sebagai prediksi akhir. Secara formal, jika T adalah jumlah pohon dalam Random Forest, dan t adalah indeks dari setiap pohon, maka prediksi y untuk suatu instance x dapat dihitung sebagai berikut: Klasifikasi (classification) y=mode(yt),for t=1,2,…,T di mana yt adalah prediksi dari pohon keputusan ke-t. Regresi (Regression): y=1/(T ) ∑(T )/t=1 yt di mana yt adalah prediksi dari pohon keputusan ke- t. Ini adalah cara umum untuk menggabungkan prediksi dari semua pohon keputusan dalam Random Forests. Tidak ada satu rumus tunggal yang menggambarkan keseluruhan algoritma, tetapi konsep-konsep ini merupakan inti dari cara kerjanya.

2.4 Python Python adalah bahasa pemrograman tingkat tinggi yang sangat populer karena sintaksisnya yang sederhana, mudah dipahami, dan ekspresif. Dirancang untuk fokus pada kejelasan dan keterbacaan kode, Python menjadi pilihan utama dalam berbagai aplikasi seperti pengembangan perangkat lunak, analisis data, kecerdasan buatan, dan pengembangan web. Keunggulan Python meliputi dukungan untuk berbagai paradigma pemrograman, termasuk pemrograman berorientasi objek dan fungsional, serta memiliki ekosistem yang kaya dengan ribuan pustaka dan framework untuk mempercepat pengembangan aplikasi. Python juga bersifat portabel dan dapat digunakan di berbagai platform, menjadikannya pilihan yang ideal baik untuk pemula maupun pengembang berpengalaman yang ingin membangun solusi perangkat lunak yang efisien dan skalabel. BAB III HASIL DAN PEMBAHASAAN Hasil hasil perhitungan

Pembahasaan

Berdasarkan analisis dan hasil prediksi menggunakan metode Random Forest sederhana dalam studi kasus YouTube, kita dapat melihat bahwa algoritma ini dapat digunakan untuk memprediksi preferensi pengguna terhadap video berdasarkan berbagai fitur seperti judul, deskripsi, tag, jumlah view, like, dislike, dan komentar. Dengan menggunakan ensambel pohon keputusan yang dibangun secara acak dari data historis pengguna YouTube, Random Forest mampu memberikan rekomendasi video yang lebih personal dan relevan. Analisis dari hasil prediksi juga dapat memberikan wawasan yang berharga, seperti jenis konten yang paling diminati oleh pengguna, waktu optimal untuk mengunggah video, serta strategi pemasaran dan monetisasi yang efektif. Dengan kemampuannya dalam mengatasi overfitting dan menghasilkan prediksi yang konsisten, Random Forest menjadi alat yang powerful dalam mengoptimalkan pengalaman pengguna dan performa konten di platform seperti YouTube.

BAB IV PENUTUP 4.1 Kesimpulan Metode random forest ini memberikan kontribusi besar dalam meningkatkan pengalaman pengguna melalui rekomendasi konten yang lebih personal dan relevan. Dengan memanfaatkan ensambel pohon keputusan yang dibangun dari berbagai fitur seperti judul, deskripsi, tag, jumlah view, like, dislike, dan komentar, Random Forest mampu mengidentifikasi pola-pola kompleks dalam perilaku pengguna terhadap video. Analisis yang dihasilkan dari prediksi Random Forest tidak hanya memberikan wawasan tentang jenis konten yang diminati dan waktu yang tepat untuk mengunggah video, tetapi juga mendukung upaya-upaya strategis dalam pemasaran dan monetisasi konten di platform YouTube. Dengan demikian, Random Forest tidak hanya menjadi alat prediksi yang andal, tetapi juga berperan penting dalam mengoptimalkan interaksi pengguna dan memajukan strategi konten di era digital saat ini.

4.2 Saran Sebagai saran untuk penerapan Random Forest dalam studi kasus YouTube, perlu dipertimbangkan beberapa hal. Pertama, penting untuk mengoptimalkan pemilihan fitur-fitur yang digunakan dalam model, seperti metadata video, data interaksi pengguna (misalnya like, dislike, dan komentar), serta faktor-faktor lain yang dapat mempengaruhi preferensi pengguna terhadap konten. Kedua, penting untuk memperhatikan skalabilitas model, terutama karena volume data yang besar dan dinamika cepat di platform YouTube. Menggunakan teknik optimisasi dan teknologi distribusi dapat membantu meningkatkan kinerja dan efisiensi algoritma Random Forest dalam menangani data dalam skala besar. Selain itu, kolaborasi antara tim data science, pengembangan produk, dan tim analisis YouTube akan sangat bermanfaat untuk memahami kebutuhan dan tujuan bisnis yang spesifik, serta untuk memastikan bahwa solusi yang diterapkan secara efektif menghasilkan rekomendasi konten yang lebih relevan dan menarik bagi pengguna. Dengan mengambil pendekatan ini, Random Forest dapat menjadi alat yang kuat untuk meningkatkan pengalaman pengguna, memperkuat keterlibatan dengan konten, dan mendukung pertumbuhan platform YouTube secara keseluruhan.

DAFTAR PUSTAKA

Arumnisa R.I. dan Wijayanto A.W. (2023). Perbandingan Metode Ensemble Learning: Random Forest, SVM, AdaBoost pada Klasifikasi Indeks Pembangunan Manusia (IPM). Jurnal Sistem Informasi, vol.12(1). Breiman. L. (2001). Random Forest. Machine Learning Journal, vol. 45(5). Dewi N.K., Syafitri U.D., dan Mulyadi S.Y. (2011) . Penerapan Metode Random Forest dalam Driver Analysis. Statistics and Its Application, vol.16(1).