Pertumbuhan ekonomi kreator digital dan meningkatnya persaingan di platform
YouTube menuntut kreator konten, khususnya yang pemula, untuk menghasilkan
thumbnail dan judul video yang menarik agar memperoleh perhatian audiens.
Namun, kreator pemula masih mengalami kesulitan dalam mengoptimalkan kedua
elemen tersebut karena belum memahami karakteristik visual dan tekstual yang
memengaruhi performa video. Penelitian ini bertujuan mengembangkan model
klasifikasi multimodal untuk memprediksi performa video YouTube berdasarkan
elemen visual thumbnail dan teks judul menggunakan algoritma Convolutional
Neural Network (CNN). Metode penelitian meliputi pengumpulan dataset video
YouTube melalui YouTube Data API, dilanjutkan dengan tahap preprocessing
berupa normalisasi gambar, augmentasi data, pemrosesan teks, dan pelabelan data.
Model diimplementasikan dengan menggabungkan CNN untuk thumbnail dan
CNN berbasis embedding untuk pemrosesan judul video. Pada tahap pelabelan,
digunakan algoritma K-Means Clustering, yaitu algoritma machine learning yang
mengelompokkan data berdasarkan kemiripan karakteristik ke dalam sejumlah
kelompok (cluster) tertentu. Hasil penelitian menunjukkan bahwa pelabelan
menggunakan K-Means Clustering lebih baik dibandingkan pelabelan berbasis
view ratio, karena menghasilkan label yang lebih sesuai untuk proses pembelajaran
model dan mampu meningkatkan performa klasifikasi. Evaluasi dilakukan
menggunakan metrik accuracy, precision, recall, dan F1-score berdasarkan
confusion matrix pada data uji, data baru dari channel yang sama, serta data dari
channel yang berbeda. Model yang dihasilkan memperoleh akurasi sekitar 90%
pada data pengujian, 90,27% pada data baru dari channel yang sama, dan 88,00%
pada data dari channel yang berbeda. Hasil ini menunjukkan bahwa pendekatan
multimodal dengan pelabelan menggunakan K-Means Clustering mampu
mengklasifikasikan performa video YouTube dengan baik serta memiliki
kemampuan mengenali data baru yang cukup tinggi.
Kata kunci : Thumbnail; Deep Learning; YouTube; Convolutional Neural
Network; Natural Language Processing