THE INFLUENCER PRICING PROGNOSTICATION ON SOCIAL MEDIA DYNAMICS AN ADVANCED EXAMINATION OF LINEAR REGRESSION 2 POLY DEGREE ALGORITHM & NEURAL NETWORK PENELITIAN LANJUT TENTANG ALGORITMA REGRESI LINIER DENGAN DERAJAT POLINOMIAL 2 & NEURAL NETWORK
Abstrak
Pengaruh meresap dari media sosial telah melahirkan profesi sebagai seorang influencer, kekuatan yang signifikan membentuk minat audiens terhadap produk dan layanan yang dipromosikan. Berbeda dengan media tradisional, dampak promosi influencer dapat diukur dengan jelas, dengan tarif yang umumnya ditentukan oleh faktor-faktor seperti jumlah pengikut, keterlibatan, dan jangkauan. Namun, ketiadaan referensi standar untuk penentuan tarif menimbulkan risiko potensial kerugian bagi influencer dan klien. Penelitian ini bertujuan untuk mengatasi tantangan ini melalui pengembangan model prediktif deep learning berbasis machine learning yang canggih, yang mencakup Regresi Linier dengan algoritma polinomial derajat kedua dan jaringan saraf untuk meningkatkan akurasi. Penelitian ini menegaskan potensi machine learning, termasuk algoritma regresi canggih dan jaringan saraf, dalam menyediakan kerangka kerja yang kokoh untuk memprediksi tarif influencer. Model yang dikembangkan merupakan langkah signifikan untuk meminimalkan efek negatif pada kedua belah pihak, influencer dan klien, dengan memberikan referensi yang lebih nuanced dan akurat untuk penentuan tarif dalam dinamika promosi media sosial. Evaluasi Model berdasarkan metrik Mean Absolute Error (MAE) menunjukkan bahwa Keras Neural Network mengungguli baik Simple Linear Regression (10,612) maupun Linear Regression dengan polinomial derajat kedua (10,089) dalam memprediksi tarif influencer. Dengan MAE yang jauh lebih rendah, yakni 7,952, jaringan saraf menunjukkan akurasi yang superior, memanfaatkan kapasitasnya untuk menangkap hubungan data yang rumit dan belajar pola non-linear. Sebagai kesimpulan, Keras Neural Network muncul sebagai model paling efektif untuk memprediksi tarif influencer.
Artikel teks lengkap
Referensi
Agustian, K., Hidayat, R., Zen, A., Sekarini, R. A., & Malik, A. J. (2023). The Influence of Influencer Marketing in Increasing Brand Awareness and Sales for SMEs. Technology and Society Perspectives (TACIT), 1(2), 68–78. https://doi.org/10.61100/tacit.v1i2.54
Atiq, M., Abid, G., Anwar, A., & Ijaz, M. F. (2022). Influencer Marketing on Instagram: A Sequential Mediation Model of Storytelling Content and Audience Engagement via Relatability and Trust. Information (Switzerland), 13(7). https://doi.org/10.3390/info13070345
Fan, F. L., Xiong, J., Li, M., & Wang, G. (2021). On Interpretability of Artificial Neural Networks: A Survey. IEEE Transactions on Radiation and Plasma Medical Sciences, 5(6), 741–760. https://doi.org/10.1109/TRPMS.2021.3066428
Gerlich, M. (2023). The Power of Virtual Influencers: Impact on Consumer Behaviour and Attitudes in the Age of AI. Administrative Sciences, 13(8). https://doi.org/10.3390/admsci13080178
Guzik, T. J., Mohiddin, S. A., Dimarco, A., Patel, V., Savvatis, K., Marelli-Berg, F. M., Madhur, M. S., Tomaszewski, M., Maffia, P., D’Acquisto, F., Nicklin, S. A., Marian, A. J., Nosalski, R., Murray, E. C., Guzik, B., Berry, C., Touyz, R. M., Kreutz, R., Dao, W. W., … McInnes, I. B. (2020). COVID-19 and the cardiovascular system: Implications for risk assessment, diagnosis, and treatment options. In Cardiovascular Research (Vol. 116, Issue 10, pp. 1666–1687). Oxford University Press. https://doi.org/10.1093/cvr/cvaa106
Kamal, M., & Bablu, T. A. (2022). International Journal of Applied Machine Learning and Computational Intelligence Machine Learning Models for Predicting Click-through Rates on social media: Factors and Performance Analysis. International Journal of Applied Machine Learning and Computational Intelligence, 4(11), 1–14.
Kigo, S. N., Omondi, E. O., & Omolo, B. O. (2023). Assessing predictive performance of supervised machine learning algorithms for a diamond pricing model. Scientific Reports, 13(1). https://doi.org/10.1038/s41598-023-44326-w
Moubayed, A., Injadat, M., Nassif, A. B., Lutfiyya, H., & Shami, A. (2018). E-Learning: Challenges and Research Opportunities Using Machine Learning Data Analytics. IEEE Access, 6, 39117–39138. https://doi.org/10.1109/ACCESS.2018.2851790
Musiyiwa, R., & Jacobson, J. (2023). Sponsorship Disclosure in Social Media Influencer Marketing: The Algorithmic and Non-Algorithmic Barriers. Social Media and Society, 9(3). https://doi.org/10.1177/20563051231196870
Shah, A., & Nasnodkar, S. (2019). A Framework for Micro-Influencer Selection in Pet Product Marketing Using Social Media Performance Metrics and Natural Language Processing. Journal of Computational Social Dynamics Research Article: Journal of Computational Social Dynamics, 07(01), 7.
Stoldt, R., Wellman, M., Ekdale, B., & Tully, M. (2019). Professionalizing and Profiting: The Rise of Intermediaries in the Social Media Influencer Industry. Social Media and Society, 5(1). https://doi.org/10.1177/2056305119832587
Wang, X., Wang, Y., Tao, F., & Liu, A. (2021). New Paradigm of Data-Driven Smart Customisation through Digital Twin. Journal of Manufacturing Systems, 58, 270–280. https://doi.org/10.1016/j.jmsy.2020.07.023
Penulis
Hak Cipta (c) 2024 Felicia Canesta, Rusdianto Roestam
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Penulis yang menerbitkan artikel di Jurnal MUST menyetujui persyaratan berikut:
Penulis memiliki hak cipta dan memberikan hak publikasi pertama kepada Jurnal MUST dengan karya yang secara simultan dilisensikan di bawah Creative Commons Attribution-NonCommercial 4.0 International License yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepengarangan karya dan publikasi awal dalam Jurnal MUST.
Penulis dapat mengadakan perjanjian kontrak tambahan yang terpisah untuk distribusi non-eksklusif versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan atas publikasi awalnya di Jurnal MUST.
Penulis diizinkan dan didorong untuk memposting pekerjaan mereka secara online (misal dalam repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menyebabkan pertukaran yang produktif, serta kutipan yang lebih awal dan lebih besar dari karya yang diterbitkan.