Klasifikasi Performa Video Free Fire di YouTube Menggunakan Pelebelan Otomatis Berbasis K-Means, Random Forest, dan SHAP

Wayan Praka; Erik Iman Heri Ujianto

doi:10.47134/jacis.v6i2.203

Authors

Wayan Praka Universitas Teknologi Yogyakarta https://orcid.org/0009-0008-7261-8009
Erik Iman Heri Ujianto Universitas Teknologi Yogyakarta

DOI:

https://doi.org/10.47134/jacis.v6i2.203

Keywords:

Popularitas Video YouTube, Free Fire, K-Means Clustering, Random Forest, SHapley Additive exPlanations

Abstract

Perkembangan platform YouTube mendorong kreator konten Free Fire untuk memahami faktor-faktor yang memengaruhi performa video untuk meningkatkan strategi publikasi yang lebih efektif. Namun, penelitian yang mengintegrasikan pelebelan otomatis, klasifikasi, dan interpretabilitas model untuk mengungkap faktor penentu masih terbatas. Penelitian ini bertujuan mengembangkan model klasifikasi performa video menggunakan pelabelan otomatis berbasis K-Means, algoritma Random Forest, dan Explainable Artificial Intelligence berbasis SHAP. Dataset yang digunakan terdiri atas 4.000 video Free Fire dari kanal YouTube Indonesia. Proses pelabelan menggunakan algoritma K-Means berdasarkan evaluasi Elbow Method, Silhouette Score, Calinski-Harabasz Index, dan Davies-Bouldin Index. Hasil evaluasi menunjukkan bahwa K=2 memberikan kualitas klaster terbaik dengan nilai Silhouette Score tertinggi, dipilih untuk membentuk dua label, yaitu High Performance sebesar 74,23% dan Low Performance sebesar 25,77%. Selanjutnya, model Random Forest yang dioptimalkan dengan GridSearchCV serta pembagian 80% data pelatihan dan 20% data pengujian. Hasil dari pengujian Random Forest mencapai akurasi sebesar 92,37% dan akurasi 10-Fold Cross Validation rata-rata sebesar 91,59%. Analisis SHAP menunjukkan bahwa Subscriber_Channel merupakan faktor yang paling berpengaruh, diikuti oleh Duration_Sec, Title_Length, Video_Age_Days, Upload_Hour_WIB dan Upload_day_WIB. Kebaruan penelitian ini terletak pada integrasi pelabelan otomatis berbasis K-Means, optimasi Random Forest menggunakan GridSearchCV, serta interpretasi model menggunakan SHAP dalam analisis performa video YouTube. Penelitian ini masih terbatas pada video Free Fire dari kanal YouTube Indonesia sehingga generalisasi terhadap kategori konten maupun wilayah lain memerlukan penelitian lanjutan

Author Biography

Erik Iman Heri Ujianto , Universitas Teknologi Yogyakarta

Dosen Paskasarjana Teknologi Informasi, Universitas Teknologi Yogyakarta

References

[1] A. Goncalves and Y. M. M. Ng, “Global YouTube Trending Dataset (2022-2025): Three Years of Platform-Curated, Cross-National Trends in Digital Culture,” Proceedings of the Twentieth International AAAI Conference on Web and Social Media, vol. 2o, no. 1, pp. 2817–2827, May 2026, doi: 10.13012/B2IDB-9307654_V1.

[2] J. Ohme et al., “Digital Trace Data Collection for Social Media Effects Research: APIs, Data Donation, and (Screen) Tracking,” Commun. Methods Meas., vol. 18, no. 2, pp. 124–141, 2024, doi: 10.1080/19312458.2023.2181319.

[3] G. S. Buana, R. Tyasnurita, N. C. Puspita, R. A. Vinarti, and F. Mahananto, “Inter Text-Based Content Analysis on Social Media Using Topic Modelling to Support Digital Marketing,” International Journal On Informatics Visualization, vol. 1, no. 8, pp. 88–95, Mar. 2024, doi: 10.62527/joiv.8.1.1636.

[4] F. Ramadani and F. Dafit, “Dampak Game online Free Fire terhadap Karakter Tanggungjawab dan Hasil Belajar Siswa Sekolah Dasar,” Aulad: Journal on Early Childhood, vol. 3, no. 3, pp. 478–485, Dec. 2023, doi: 10.31004/aulad.v6i3.567.

[5] C. O. G. A. D. H. Uray, Vika, and C. Cahyaningtias, “Menelaah Kesuksesan Konten YouTube yang Trending Analisis Data Video Trending di YouTube,” Informatik : Jurnal Ilmu Komputer, vol. 20, no. 2, pp. 84–92, Aug. 2024, doi: https://doi.org/10.52958/iftk.v20i2.7517.

[6] G. Liadeli, F. Sotgiu, and P. W. J. Verlegh, “A Meta-Analysis of the Effects of Brands’ Owned Social Media on Social Media Engagement and Sales,” J. Mark., vol. 87, no. 3, pp. 406–427, May 2023, doi: 10.1177/00222429221123250.

[7] W. Zhou, “Predicting Engagement and Dissemination of Digital Cultural and Creative Content Using Deep Learning,” Proceedings of the 2nd International Conference on Digital Management and Information Technology, vol. 1, no. 1, pp. 263–267, Jun. 2026, doi: 10.1145/3808707.3808748.

[8] C. Zachlod, O. Samuel, A. Ochsner, and S. Werthmüller, “Analytics of social media data – State of characteristics and application,” J. Bus. Res., vol. 144, pp. 1064–1076, May 2022, doi: 10.1016/j.jbusres.2022.02.016.

[9] M. S. Rahman and H. Reza, “A Systematic Review Towards Big Data Analytics in Social Media,” Big Data Mining and Analytics, vol. 5, no. 3, pp. 228–244, Sep. 2022, doi: 10.26599/BDMA.2022.9020009.

[10] M. Suyal and S. Sharma, “A Review on Analysis of K-Means Clustering Machine Learning Algorithm based on Unsupervised Learning,” Journal of Artificial Intelligence and Systems, vol. 6, no. 1, pp. 85–95, Apr. 2024, doi: 10.33969/ais.2024060106.

[11] M. Annas and S. N. Wahab, “Data Mining Methods: K-Means Clustering Algorithms,” International Journal of Cyber and IT Service Management, vol. 3, no. 1, pp. 40–47, Mar. 2023, doi: 10.34306/ijcitsm.v3i1.122.

[12] D. Remawati, H. Wijayanto, Y. R. W. Utami, and B. D. Raharja, “Pengelompokkan Film Trending di Youtube Menggunakan TF-IDF dan K-Means Clastering,” Jurnal Sistem Informasi Tgd, vol. 4, pp. 65–74, Jan. 2025, doi: 10.53513/jursi.v4i1.10614.

[13] H. Y. A. Putri, P. H. Saputra, R. Y. Doloksaribu, and J. Heikal, “Customer Segmentation Using K-Means Clustering Analysis (Case Study on Amazon Prime Video Userbase),” Jurnal Cendekia Ilmiah, vol. 4, no. 4, pp. 963–976, Jan. 2025, doi: 10.56799/jceki.v4i4.8860.

[14] H. A. Salman, A. Kalakech, and A. Steiti, “Random Forest Algorithm Overview,” Babylonian Jurnal of Machine Learning, vol. 2024, no. 1, pp. 69–79, Jun. 2024, doi: https://doi.org/10.58496/BJML/2024/007.

[15] M. H. W. Wahid, Z. Razilu, and M. A. Yasin, “Perbandingan Metode Random Forest Dan Svm Dalam Klasifikasi Sentimen Komentar Youtube Pada Film ‘Dirty Vote,’” Jurnal Ilmiah Penelitian dan Pembelajaran Informatika, vol. 11, no. 2, pp. 1371–1384, Jun. 2026, doi: 10.29100/jipi.v11i2.7801.

[16] A. F. Azmi and A. Voutama, “Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix,” Jurnal Ilmu Komputer dan Informatika, vol. 13, no. 1, pp. 111–119, Apr. 2024, doi: 10.34010/komputa.v13i1.12639.

[17] A. M. Salih et al., “A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME,” Advanced Intelligent Systems, vol. 7, no. 1, pp. 1–8, Jan. 2025, doi: 10.1002/aisy.202400304.

[18] A. S. Yazid, Y. Wicaksono, E. Setiawan, and R. Nurhadi, “Implementasi Explainable AI dalam Klasifikasi Kekuatan Password,” Jurnal Sains Manajemen Informatika dan Komputer, vol. 24, no. 2, pp. 193–202, Aug. 2025, doi: 10.53513/jis.v24i2.12130.

[19] D. Gaspar, P. Silva, and C. Silva, “Explainable AI for Intrusion Detection Systems: LIME and SHAP Applicability on Multi-Layer Perceptron,” IEEE Access, vol. 12, no. 1, pp. 30164–30175, Feb. 2024, doi: 10.1109/ACCESS.2024.3368377.

[20] N. F. Rahman, B. Priyatna, F. Nurapriani, and T. Paryono, “Penerapan Algoritma K-Means Untuk Klasterisasi Film Pada Platform Amazon Prime Video,” Jurnal Mahasiswa Teknik Informatika, vol. 9, no. 5, pp. 8200–8206, Oct. 2025, doi: https://doi.org/10.36040/jati.v9i5.15065.

[21] A. Sagita, A. Faqih, G. Dwilestari, B. Siswoyo, and D. Pratama, “Penerapan Metode Random Forest Dalam Menganalisis Sentimen Pengguna Aplikasi Capcut Di Google Play Store,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 6, pp. 3307–3313, Dec. 2023, doi: 10.36040/jati.v7i6.8205.

[22] R. Firdaus, R. Al Hariri, and H. F. Amran, “Sentimen Analisis Masyarakat Tentang Penetapan Hari Raya Idul Adha Tahun 2023 Pada Video Youtube Menggunakan Algoritma Random Forest dan Support Vector Machine,” Jurnal FASILKOM : teknologi inFormASi dan ILmu KOMputer, vol. 14, no. 1, pp. 278–285, Apr. 2024, doi: 10.37859/jf.v14i1.7012.