Implementasi K-Medoids dan K-means Clustering pada data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli W.,SSI.MM.,M.Kom. Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi game digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 kolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means clustering dan K Medoids untuk menganalisis data Steam serta menganalisis perbedaan antara kedua metode tersebut. Data Steam akan masuk ke dalam proses data mining, dalam proses data mining terdiri dari beberapa tahapan seperti preprocessing data, transformation data tujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah menggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means clustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk membandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk mengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah evaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru yang diperoleh dari hasil clustering dari metode k means maupun k medoids serta perbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu menunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari platform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan nilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 sedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin bagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih beragam dibandingkan menggunakan K-Medoids yang menunjukan K-Means clustering lebih unggul

Wisantra, Candra and Harsani, Prihastuti and Delli Wihartiko, Fajar (2023) Implementasi K-Medoids dan K-means Clustering pada data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli W.,SSI.MM.,M.Kom. Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi game digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 kolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means clustering dan K Medoids untuk menganalisis data Steam serta menganalisis perbedaan antara kedua metode tersebut. Data Steam akan masuk ke dalam proses data mining, dalam proses data mining terdiri dari beberapa tahapan seperti preprocessing data, transformation data tujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah menggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means clustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk membandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk mengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah evaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru yang diperoleh dari hasil clustering dari metode k means maupun k medoids serta perbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu menunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari platform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan nilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 sedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin bagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih beragam dibandingkan menggunakan K-Medoids yang menunjukan K-Means clustering lebih unggul. Skripsi thesis, Universitas Pakuan.

[img] Text
Skripisi.pdf

Download (2MB)

Abstract

Implementasi K-Medoids dan K-means Clustering pada data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli W.,SSI.MM.,M.Kom. Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi game digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 kolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means clustering dan K Medoids untuk menganalisis data Steam serta menganalisis perbedaan antara kedua metode tersebut. Data Steam akan masuk ke dalam proses data mining, dalam proses data mining terdiri dari beberapa tahapan seperti preprocessing data, transformation data tujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah menggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means clustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk membandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk mengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah evaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru yang diperoleh dari hasil clustering dari metode k means maupun k medoids serta perbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu menunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari platform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan nilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 sedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin bagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih beragam dibandingkan menggunakan K-Medoids yang menunjukan K-Means clustering lebih unggul. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli W.,SSI.MM.,M.Kom. Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh dari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi game digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 kolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means clustering dan K Medoids untuk menganalisis data Steam serta menganalisis perbedaan antara kedua metode tersebut. Data Steam akan masuk ke dalam proses data mining, dalam proses data mining terdiri dari beberapa tahapan seperti preprocessing data, transformation data tujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah menggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means clustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk membandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk mengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah evaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru yang diperoleh dari hasil clustering dari metode k means maupun k medoids serta perbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu menunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari platform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan nilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 sedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin bagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih beragam dibandingkan menggunakan K-Medoids yang menunjukan K-Means clustering lebih unggul

Item Type: Thesis (Skripsi)
Subjects: Fakultas Ilmu Pengetahuan Alam dan Matematika > Ilmu Komputer
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer
Depositing User: PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK
Date Deposited: 03 Jul 2024 06:23
Last Modified: 03 Jul 2024 06:23
URI: http://eprints.unpak.ac.id/id/eprint/7912

Actions (login required)

View Item View Item