Analisis perbandingan Algoritma Boosting dalam prediksi Click Through Rate (CTR) pada kampanye iklan facebook

Robi, Muhammad (2026) Analisis perbandingan Algoritma Boosting dalam prediksi Click Through Rate (CTR) pada kampanye iklan facebook. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (107kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (79kB) | Preview
Preview	Text (SK BEBAS PLAGIARISME) 3_skbebasplagiarism.pdf Download (195kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (88kB) | Preview
	Text (BAB I) 5_bab1.pdf Restricted to Registered users only Download (135kB) | Request a copy
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (228kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (142kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (139kB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (23kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (144kB) | Request a copy

Abstract

Perkembangan digital marketing mendorong pemanfaatan data historis kampanye iklan sebagai dasar dalam mengevaluasi dan meningkatkan strategi pemasaran. Salah satu metrik indikator yang bisa digunakan untuk prediksi performa kampanye iklan yaitu Click-Through Rate (CTR). Kemampuan memprediksi CTR sebelum kampanye dijalankan dapat membantu pengiklan dalam memperkirakan performa kampanye dan untuk mendukung pengambilan keputusan lewat data. Namun, karakteristik data pada kampanye iklan yang kompleks menyebabkan diperlukan metode Machine Learning yang bisa mempelajari pola dari data historis. Penelitian ini bertujuan mengimplementasikan dan membandingkan performa algoritma Boosting, yaitu XGBoost Regressor dan LightGBM Regressor, dalam memprediksi CTR pada kampanye iklan Facebook. Penelitian menggunakan Tech Advertising Campaign Dataset dengan tahapan penelitian berdasarkan metode Cross Industry Standard Process for Data Mining (CRISP-DM), yang meliputi Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Data diproses melalui penyaringan kampanye Facebook, seleksi fitur untuk menghindari data leakage, pemisahan fitur dan target, serta One-Hot Encoding. Evaluasi hasil kinerja menggunakan metrik MAE, RMSE, dan R² dengan empat skenario pembagian data, yaitu 80:20, 70:30, 60:40, dan 50:50. Hasil dari penelitian ini menunjukkan LightGBM Regressor memberikan kemampuan lebih baik dari XGBoost Regressor pada seluruh skenario. Performa terbaik diperoleh LightGBM dengan skenario data 70:30 dengan MAE 0,5774, RMSE 0,8007, dan R² 0,7613. Berdasarkan hasil tersebut, LightGBM Regressor menjadi algoritma dengan performa terbaik dalam penelitian ini untuk memprediksi CTR pada kampanye iklan Facebook.

Actions (login required)

View Item