Analisis Prediksi Kata Kunci Situs Web MonsterMAC dengan Metode Long Short-Term Memory (LSTM)

Fityan  Hanif Assalmi; Wahyu  Syaifullah Jauharis Saputra; Amri Muhaimin

doi:10.54914/jtt.v10i1.1187

Penulis

Fityan Hanif Assalmi Universitas Pembangunan Nasional Veteran Jawa Timur
Wahyu Syaifullah Jauharis Saputra Universitas Pembangunan Nasional Veteran Jawa Timur
Amri Muhaimin Universitas Pembangunan Nasional Veteran Jawa Timur

DOI:

https://doi.org/10.54914/jtt.v10i1.1187

Kata Kunci:

google analytics, google trends, kata kunci, long short-term memory (LSTM), Search Engine Optimization (SEO)

Abstrak

Dalam tengah persaingan bisnis yang semakin ketat di ranah digital, banyak perusahaan yang berlomba-lomba untuk meningkatkan jumlah pengunjung pada situs web mereka. Salah satu perusahaan yang bersaing adalah MonsterMAC, sebuah perusahaan startup. Penelitian ini bertujuan untuk memberikan peringatan dini dan menganalisis kata kunci yang relevan di situs web MonsterMAC menggunakan metode Long Short-Term Memory (LSTM). Data pengunjung dari Google Analytics dan data kata kunci dari Google Trends untuk rentang waktu 22 Juli 2022 hingga 15 Juli 2023 telah dikumpulkan dan diproses melalui beberapa tahapan, seperti preprocessing, perancangan model, pelatihan dan pengujian LSTM, serta visualisasi dan interpretasi hasil. Hasil pemodelan menunjukkan kinerja yang memuaskan, dengan MAE Train Real User = 0.0615, Vending Machine = 0.0218, IoT = 0.0284, Machine Learning = 0.0365, Bisnis Digital = 0.0186, Kecerdasan Bisnis = 0.0296. Selain itu, penelitian ini juga menunjukkan bahwa jumlah pengunjung diprediksi akan mengalami peningkatan, namun juga akan mengalami penurunan yang tajam dalam beberapa hari ke depan. Adapun penggunaan kata kunci "IoT" menunjukkan tren peningkatan yang signifikan. Implementasi kata kunci "IoT" dalam strategi SEO terbukti meningkatkan jumlah pengunjung selama tujuh hari berikutnya dari 250 hingga 350. Penelitian ini memberikan panduan bagi pemilik situs web untuk mengoptimalkan strategi konten dan SEO demi meningkatkan visibilitas serta daya saing mereka di dalam lingkungan digital yang sangat kompetitif. Penelitian ini juga menekankan pentingnya metode LSTM dalam analisis dan prediksi kata kunci guna menciptakan strategi SEO yang lebih tepat sasaran.

Unduhan

Data unduhan belum tersedia.

Referensi

Prabakaran.N, A.Anbarasi, N.Deepa, and Pandiaraja.P, “Enabling an On-demand Access to Community Sentiments using LSTM RNNs Web Service Architecture,” ScienceDirect, vol. 230, p. 584, 2023.

S. T. F. Sirojul Munir, Anifatul Aufah, Kuati Septiani, “ANALISIS DAN RANCANG BANGUN PROTOTYPE WEBMARKET PLACE UMKM JUARA,” J. Teknol. Terpadu, vol. 6, 2020, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/JTT/article/view/265/173

S. Hansun, I. Charles, and T. Gherman, “The role of the mass vaccination programme in combating the COVID-19 pandemic: An LSTM-based analysis of COVID-19 confirmed cases,” Heliyon, vol. 9, no. 14397, p. 3, 2023.

Z. Lin et al., “Early warning method for power supply service quality based on three-way decision theory and LSTM neural network,” ScienceDirect, vol. 8, p. 538, 2022, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2352484722004917

A. T. Damaliana, A. Muhaimin, and P. A. Riyantoko, “Peramalan Lonjakan Kasus Harian Covid-19 Di Indonesia Dengan Model Arima,” SENADA, vol. 3, 2023, [Online]. Available: https://prosiding-senada.upnjatim.ac.id/index.php/senada/article/view/112

F. T. Anggraeny, D. F. Rosida, W. S. J. Saputra, and H. Prasetyo, “Kolaborasi Pemasaran Digital Menggunakan Media Sosial dan Marketplace untuk Meningkatkan Produktivitas UMKM,” J. Nas. Pengabdi. Masy., vol. 2, 2021, [Online]. Available: https://journal.jis-institute.org/index.php/jnpm/article/view/486

T. Naprawski, “The Impact of Web Analytics Tools on Knowledge Management,” ScienceDirect, vol. 225, p. 3407, 2023, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S187705092301493X

A. Rovetta, “An integrated infoveillance approach using google trends and Talkwalker: Listening to web concerns about COVID-19 vaccines in Italy,” ScienceDirect, vol. 4, no. 100272, p. 2, 2023, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S2772442523001399?ref=pdf_download&fr=RR-2&rr=866fdcfb4bdf40e0

S. García and J. M. B. and F. H. Sergio Ramírez-Gallego, Julián Luengo, “Big data preprocessing: methods and prospects,” Springer, p. 3, 2016, doi: 10.1186/s41044-016-0014-0.

R. Maulana, A. Voutama, and T. Ridwan, “Analisis Sentimen Ulasan Aplikasi MyPertamina pada Google Play Store menggunakan Algoritma NBC,” J. Teknol. Terpadu, vol. 9, p. 44, 2023, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/JTT/article/view/609/306

K. E. ArunKumar, D. V. Kalaga, C. M. S. Kumar, M. Kawaji, and T. M. Brenza, “Forecasting of COVID-19 using deep layer Recurrent Neural Networks (RNNs) with Gated Recurrent Units (GRUs) and Long Short-Term Memory (LSTM) cells,” ScienceDirect, vol. 146, p. 3, 2021, [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0960077921002149

S. V Belavadia, S. Rajagopala, R. Ra, and R. Mohan, “Air Quality Forecasting using LSTM RNN and Wireless Sensor Networks,” ScienceDirect, vol. 170, 2020.

K. E. ArunKumar, D. V. Kalaga, C. M. S. Kumar, Masahiro, Kawaji, and T. M. Brenza, “Comparative analysis of Gated Recurrent Units (GRU), long Short-Term memory (LSTM) cells, autoregressive Integrated moving average (ARIMA), seasonal autoregressive Integrated moving average (SARIMA) for forecasting COVID-19 trends,” ScienceDirect, vol. 61, 2022.

A. T. A et al., “Reconstruction of missing streamflow series in human-regulated catchments using a data integration LSTM model,” ScienceDirect, vol. 52, 2024.

D. Fitriati, “PERBANDINGAN KINERJA CNN LeNet5 DANEXTREME LEARNING MACHINE PADA PENGENALAN CITRA TULISAN TANGAN ANGKA,” J. Teknol. Terpadu, vol. 2, 2016, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/JTT/article/view/45/33