%0 Thesis
%9 Skripsi
%A Wisantra, Candra
%A Harsani, Prihastuti
%A Delli Wihartiko, Fajar
%A Universitas Pakuan,
%A Fakultas Matematika dan Ilmu Pengetahuan Alam,
%A Program Studi Ilmu Komputer,
%B Fakultas Matematika dan Ilmu Pengetahuan Alam
%D 2023
%F eprintsunpak:7912
%I Universitas Pakuan
%P 16
%T 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
%U http://eprints.unpak.ac.id/7912/
%X 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