PREDIKSI COST PER ACTION (CPA) PADA IKLAN FACEBOOK PT XYZ MENGGUNAKAN ALGORITMA RANDOM FOREST

Fatimah, Millah (2017) PREDIKSI COST PER ACTION (CPA) PADA IKLAN FACEBOOK PT XYZ MENGGUNAKAN ALGORITMA RANDOM FOREST. Undergraduate (S1) thesis, UNIVERSITAS BAKRIE.

[img]
Preview
Text (pdf)
00. Cover.pdf - Submitted Version

Download (971kB) | Preview
[img] Text (pdf)
01. BAB I-III.pdf - Submitted Version
Restricted to Registered users only

Download (1MB)
[img] Text (pdf)
02. BAB IV.pdf - Submitted Version
Restricted to Registered users only

Download (1MB)
[img] Text (pdf)
03. BAB V.pdf - Submitted Version
Restricted to Registered users only

Download (149kB)
[img]
Preview
Text (pdf)
04. BAB DAFTAR PUSTAKA.pdf - Submitted Version

Download (381kB) | Preview
[img] Text (pdf)
05. Lampiran.pdf - Submitted Version
Restricted to Registered users only

Download (3MB)

Abstract

Penelitian ini membahas tentang implementasi algoritma untuk dapat memprediksi Cost Per Action (CPA) yang ada pada iklan Facebook PT XYZ. Metode yang digunakan dalam penelitian untuk memprediksi CPA adalah dengan menerapkan algoritma Random Forest. Sistem prediksi ini bertujuan membantu praktisi digital marketing di divisi Growth & Digital Marketing PT XYZ agar dapat membantu menganalisa apakah iklan yang ada termasuk ke dalam kelompok CPA tinggi atau CPA rendah, agar pengeluaran budget perusahaan untuk iklan dapat diminimalisir. Sistem akan dibangun dengan menggunakan bahasa pemrograman Python. Hasil dari sistem prediksi CPA lalu akan dihitung nilai akurasinya dengan menggunakan Confusion Matrix, perhitungan Recall, Precision, Weighted Accuracy, Specificity, dan ROC Curve serta akan dilihat fitur-fitur apa sajakah yang berpengaruh dalam sistem prediksi dengan menggunakan Feature Importance. Hasil dari peneitian ini adalah diperoleh fitur-fitur yang paling berpengaruh dalam proses prediksi menggunakan algoritma Random Forest menggunakan data training, data testing pada data model I, data model II, dan data model III yakni fitur reach, amount_spent, budget type. Selain itu juga diperoleh tingkat performa prediksi yang rendah pada data model I, yakni rata-rata 58% untuk data training & data testing, serta sangat baik pada data model II dan data model

Item Type: Thesis (Undergraduate (S1))
Uncontrolled Keywords: Supervised Learning, Random Forest, Prediksi Data, Klasifikasi Data
Subjects: Computer Science
Computer Science > Data structures
Thesis > Thesis (S1)
Divisions: Fakultas Teknik dan Ilmu Komputer > Program Studi Informatika
Depositing User: Millah Fatimah
Date Deposited: 15 Sep 2017 04:28
Last Modified: 15 Sep 2017 04:28
URI: http://repository.bakrie.ac.id/id/eprint/1183

Actions (login required)

View Item View Item