Prediksi Klasifikasi Pembangunan Merek Kosmetik Dengan Metode Enbag K-Logres Berdasarkan Keterlibatan Pengguna Facebook

Abstract

Abstract: Building a brand new company that starts a business by conducting market research is intended to introduce new products and maintain existing businesses. But the market survey actually requires quite a lot of costs for transportation costs, brochure printing costs, more employee salaries and so forth. Surveys conducted offline also reach a less extensive market, less maximum results and less detail, and require more time. Based on the description above, the researchers conducted a study using Facebook performance metric data that assessed the construction of cosmetics brands using the K-Nearest Neighbor and Logistics Regression (SVM) algorithm by classifying which posts were the most desirable and less desirable by consumers, as well as measuring by the EnBag method K-LoGres of the two algorithms to improve the performance of the two proposed algorithms. Bagging technique was chosen because it has the advantage of being able to improve the measurement results and improve the accuracy of classification measurements by combining two or more algorithms. Based on the measurement results of Facebook metric data which assesses the development of cosmetic brands with the K-NN algorithm it gets an accuracy of 68.67% and a Logistic Regression (SVM) of 72.67% then the two algorithms are processed using the EnBag K-LoGres method getting an accuracy of 73.91%. Based on the results of measurements with the EnBag K-LoGres method the results increased by 1.24%.

Keywords: Brand Development, Cosmetics, K-Nearest-Neighbour, Logistic (SVM), EnBag K-Logres

Abstrak: Membangun merek perusahaan yang baru memulai usaha dengan melakukan riset pasar dimaksudkan untuk memperkenalkan produk baru serta mempertahankan usaha yang sudah ada. Namun survei pasar justru membutuhkan biaya yang cukup banyak untuk biaya transportasi, biaya cetak brosur, gaji karyawan lebih banyak dan lain sebagainya. Survei yang dilakukan secara offline juga menjangkau pasar kurang luas, hasil kurang maksimal dan kurang merinci, serta membutuhkan waktu yang lebih lama. Berdasarkan uraian diatas maka peneliti melakukan penelitian dengan memanfaatkan data metrik kinerja facebook yang menilai pembangunan merk kosmetik dengan menggunakan algoritma K-Nearest Neighbourdan Logistic Regreesion (SVM) dengan mengklasifikasikan postingan mana yang paling diminati dan kurang diminati oleh konsumen, serta melakukan pengukuran dengan metode EnBag K-LoGres dari kedua algoritma untuk meningkatkan kinerja kedua algoritma yang diusulkan. Teknik bagging dipilih karena memiliki kelebihan dapat memperbaiki hasil pengukuran serta meningkatkan akurasi dari pengukuran klasifikasi dengan menggabungkan dua atau lebih algoritma. Berdasarkan hasil pengukuran data metrik facebook yang menilai pembangunan merek kosmetik denganalgoritma K-NN memperoleh akurasi sebesar 68.67% dan Logistic Regression (SVM) sebesar 72.67% selanjutnya kedua algoritma diproses dengan metode EnBag K-LoGres mendapat akurasi sebesar 73.91%. Berdasarkan hasil pengukuran dengan metode EnBag K-LoGreshasilnya mengalami kenaikan sebesar 1.24 %.

Kata kunci: Pembangunan Merek, Kosmetik, K-Nearest Neighbour, Logistic Regression (SVM), EnBag K-LoGres