PREDIKSI KEBERHASILAN IKLAN MENGGUNAKAN REGRESI LINIER DAN ALGORITMA XGBOOST

Prediksi keberhasilan iklan digital menjadi penting karena mampu memperkirakan interaksi pengguna terhadap iklan di tengah jangkauan digital yang luas dan efisien. Namun, tantangan muncul akibat banyaknya variabel independen dan ketidakseimbangan data, yang dapat menimbulkan bias serta menurunkan akurasi model. Penelitian ini membandingkan dua metode prediksi, yaitu regresi linier dan algoritma XGBoost, untuk mengatasi permasalahan tersebut. Regresi linier dipilih karena kesederhanaannya dalam memodelkan hubungan linier antar variabel, sedangkan XGBoost digunakan karena kemampuannya dalam menangani hubungan linier maupun non-linier serta fitur regularisasi yang dapat mencegah overfitting. Hasil menunjukkan regresi linier memiliki akurasi 71,68%, presisi 95,96%, recall 71,91%, dan F1-score 82,21%, sementara XGBoost unggul dengan akurasi 80,25%, presisi 94,10%, recall 83,54%, dan F1-score 88,50%. Tuning hyperparameter tidak berdampak besar pada regresi linier, namun berdampak pada performa XGBoost. Pengujian dengan dan tanpa PCA menunjukkan bahwa reduksi dimensi justru menurunkan performa model, sehingga seluruh fitur asli digunakan pada model akhir. Prediksi akhir mempertimbangkan kesepakatan hasil kedua model dengan pendekatan konservatif untuk menghindari false positive.