PREDIKSI POPULARITAS KONTEN VIDEO AFFILIATE PADA PLATFORM TIKTOK BERBASIS DECISION TREE

Penelitian ini bertujuan untuk membangun sistem prediksi popularitas konten video affiliate pada platform TikTok menggunakan algoritma Decision Tree. Latar belakang penelitian ini didasari oleh pesatnya pertumbuhan pengguna TikTok sebagai platform pemasaran afiliasi yang efektif, namun banyak kreator konten yang belum memahami faktor-faktor yang memengaruhi performa video mereka. Sistem dibangun untuk membantu kreator memperkirakan jumlah views, likes, comments, dan shares sebelum video diunggah, berdasarkan variabel input berupa durasi video, jam tayang, dan jumlah hashtag yang digunakan. Metode yang digunakan adalah algoritma Decision Tree dengan pendekatan MultiOutputRegressor dari pustaka scikit-learn, sehingga model dapat memprediksi empat variabel target secara simultan. Sistem dibangun berbasis web menggunakan framework Flask sebagai backend API, HTML/CSS/JavaScript sebagai frontend, serta MySQL sebagai basis data penyimpanan data latih. Pengujian dilakukan dalam dua tahap, yaitu pengujian fungsional menggunakan metode Blackbox Testing dan validasi akurasi model menggunakan metrik Mean Squared Error (MSE) dan Koefisien Determinasi (R²). Hasil pengujian fungsional menunjukkan bahwa seluruh fitur sistem berjalan sesuai
dengan yang diharapkan. Sementara itu, hasil evaluasi akurasi model menunjukkan rata-rata MSE sebesar 45.574,10 untuk Views, 364,90 untuk Likes, 137,50 untuk Comments, dan 265,50 untuk Shares. Nilai R² yang diperoleh untuk variabel Views sebesar −4,0776, Likes sebesar −0,1559, Comments sebesar 0,3314, dan Shares sebesar −61,4706. Hanya variabel Comments yang menghasilkan nilai R² positif, menunjukkan bahwa model memiliki kemampuan prediksi yang lebih baik pada
variabel tersebut. Secara keseluruhan, model Decision Tree belum optimal dalam memprediksi popularitas video TikTok, terutama karena keterbatasan jumlah data latih dan kompleksitas perilaku pengguna yang tidak sepenuhnya dapat
direpresentasikan oleh variabel input yang digunakan. Kata kunci : Decision Tree, Koefisien Determinasi, Mean Squared Error, Prediksi Popularitas, TikTok Affiliate