ANALISIS EFEKTIVITAS SISTEM REKOMENDASI BERBASIS MACHINE LEARNING DALAM PERKEMBANGAN VIRTUAL YOUTUBER (VTUBER) DI PLATFORM YOUTUBE

Abstrak

Abstrak
Fenomena Virtual YouTuber (Vtuber) di YouTube berkembang pesat berkat teknologi animasi dan algoritma
rekomendasi, namun efektivitas algoritma bawaan platform ini terhadap perkembangan Vtuber masih perlu dikaji.
Penelitian ini bertujuan merancang dan menganalisis sistem rekomendasi berbasis Machine learning yang lebih
spesifik untuk konten Vtuber guna meningkatkan relevansi rekomendasi dan keterlibatan audiens. Data diperoleh
melalui Application Programming Interface (API) YouTube dengan teknik data crawling yang menghasilkan
dataset berisi metadata video Vtuber. Analisis relevansi dilakukan menggunakan Term Frequency–Inverse
Document Frequency (TF-IDF) dan cosine similarity untuk mencocokkan query pencarian dengan judul dan
deskripsi video. Selanjutnya, K-Means clustering digunakan untuk mengelompokkan video ke dalam tiga kategori
berdasarkan tingkat keterlibatan audiens (engagement rate). Hasil penelitian menunjukkan bahwa sistem mampu
memberikan rekomendasi konten yang lebih relevan dibandingkan algoritma bawaan YouTube, dengan hasil
clustering yang membagi video menjadi kelompok engagement rendah, sedang, dan tinggi sehingga memudahkan
analisis potensi performa video. Kesimpulan penelitian ini menegaskan bahwa integrasi TF-IDF, cosine similarity,
dan K-Means clustering dapat menjadi pendekatan efektif dalam pengembangan sistem rekomendasi khusus
Vtuber untuk mendukung pertumbuhan kanal dan memperluas jangkauan audiens.