Skripsi/Tugas Akhir

Prediksi Konten Video FYP pada Media Sosial Snack Video Menggunakan Metode K-Nearest Neighbor

---

Rating Anda tentang Buku/Tulisan ini!

---

ABSTRAK
Snack Video, sebagai platform berbagi video yang populer, menawarkan pengalaman personalisasi melalui Fitur For You Page (FYP) yang menampilkan konten sesuai preferensi pengguna. Artikel ini bertujuan untuk memprediksi konten video populer yang masuk ke dalam kategori For You Page (FYP) pada platform media sosial Snack Video menggunakan metode K-Nearest Neighbor (KNN). Masalah yang dihadapi adalah banyaknya konten yang diunggah setiap harinya, membuat prediksi video yang akan menjadi populer atau masuk FYP menjadi penting untuk meningkatkan engagement dan kepuasan pengguna. Metode K-Nearest Neighbor dipilih karena kemampuannya dalam klasifikasi berdasarkan kedekatan data yang ada. Dalam penelitian ini, data video dikumpulkan dan diproses untuk dievaluasi menggunakan algoritma KNN. Hasil penelitian menunjukkan bahwa metode KNN mampu memberikan prediksi yang akurat terhadap konten yang berpotensi masuk FYP, dengan tingkat akurasi mencapai 85%. Temuan ini diharapkan dapat membantu para pembuat konten dan platform Snack Video untuk memahami karakteristik video yang diminati pengguna dan meningkatkan strategi penayangan konten.
Kata Kunci: Snack Video, For Your Page (FYP), K-Nearest Neighbors (KNN), Prediksi Konten

ABSTRACT
Snack Video, as a popular video-sharing platform, offers a personalized experience through the For You Page (FYP) Feature that displays content as per user preferences. This article aims to predict video content that falls into the For You Page (FYP) category on the Snack Video social media platform using the KNearest Neighbor (KNN) method. The problem faced is the large amount of content uploaded every day, making predictions of videos that will become popular or enter FYP important to increase user engagement and satisfaction. The K-Nearest Neighbor method was chosen because of its ability to be classified based on the proximity of existing data. In this study, video data was collected and processed to be evaluated using the KNN algorithm. Research results shows that the KNN method is able to provide accurate predictions of content that has the potential to enter FYP, with an accuracy rate of up to 85%. These findings are expected to help content creators and the Snack Video platform to understand the characteristics of videos that users are interested in and improve content delivery strategies.
Keywords: Snack Video, For Your Page (FYP), K-Nearest Neighbors (KNN), Content Prediction

---

Ketersediaan

SKR 24-50 0899TI

SKR 24-50 AKB p - 0899TI

Perpustakan UNDIPA (Rak Skripsi/Tugas Akhir)

Tidak Dipinjamkan-No Loan

Informasi Detail

Judul Seri

--

No. Panggil

SKR 24-50 AKB p - 0899TI

Penerbit

Makassar : Universitas DIPA., 2024

Deskripsi Fisik

xiii + 51 hlm.; 20,5 x 28,5 cm

Bahasa

Indonesia

ISBN/ISSN

--

Klasifikasi

SKR 24-50

Tipe Isi

Text dan Gambar

Edisi/Cetakan

Edisi/Cetakan 11 September 2024

Subjek

Skripsi/Tugas Akhir
K-Nearest Neighbor
Sosial Media

Lampiran File