Klasifikasi Popularitas Video Roblox Berbasis K-Means dan Support Vector Machine pada Metadata YouTube

Abstract

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