<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "Implementasi K-Medoids dan K-means Clustering pada \r\n data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli \r\nW.,SSI.MM.,M.Kom.\r\n Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh \r\ndari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi \r\ngame digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 \r\nkolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means \r\nclustering dan K Medoids untuk menganalisis data Steam serta menganalisis \r\nperbedaan antara kedua metode tersebut.\r\n Data Steam akan masuk ke dalam proses data mining, dalam proses data \r\nmining terdiri dari beberapa tahapan seperti preprocessing data, transformation data \r\ntujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah \r\nmenggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means\r\nclustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk \r\nmembandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk \r\nmengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah \r\nevaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru \r\nyang diperoleh dari hasil clustering dari metode k means maupun k medoids serta \r\nperbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu \r\nmenunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari \r\nplatform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan \r\nnilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 \r\nsedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin \r\nbagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih \r\nberagam dibandingkan menggunakan K-Medoids yang menunjukan K-Means\r\nclustering lebih unggul"^^ . "Implementasi K-Medoids dan K-means Clustering pada \r\n data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli \r\nW.,SSI.MM.,M.Kom.\r\n Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh \r\ndari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi \r\ngame digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 \r\nkolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means \r\nclustering dan K Medoids untuk menganalisis data Steam serta menganalisis \r\nperbedaan antara kedua metode tersebut.\r\n Data Steam akan masuk ke dalam proses data mining, dalam proses data \r\nmining terdiri dari beberapa tahapan seperti preprocessing data, transformation data \r\ntujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah \r\nmenggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means\r\nclustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk \r\nmembandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk \r\nmengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah \r\nevaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru \r\nyang diperoleh dari hasil clustering dari metode k means maupun k medoids serta \r\nperbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu \r\nmenunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari \r\nplatform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan \r\nnilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 \r\nsedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin \r\nbagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih \r\nberagam dibandingkan menggunakan K-Medoids yang menunjukan K-Means\r\nclustering lebih unggul. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli \r\nW.,SSI.MM.,M.Kom.\r\n Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh \r\ndari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi \r\ngame digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 \r\nkolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means \r\nclustering dan K Medoids untuk menganalisis data Steam serta menganalisis \r\nperbedaan antara kedua metode tersebut.\r\n Data Steam akan masuk ke dalam proses data mining, dalam proses data \r\nmining terdiri dari beberapa tahapan seperti preprocessing data, transformation data \r\ntujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah \r\nmenggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means\r\nclustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk \r\nmembandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk \r\nmengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah \r\nevaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru \r\nyang diperoleh dari hasil clustering dari metode k means maupun k medoids serta \r\nperbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu \r\nmenunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari \r\nplatform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan \r\nnilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 \r\nsedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin \r\nbagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih \r\nberagam dibandingkan menggunakan K-Medoids yang menunjukan K-Means\r\nclustering lebih unggul"^^ . "2023-07-01" . . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan"^^ . . . . . . . . . . . . . . . . . . "Candra"^^ . "Wisantra"^^ . "Candra Wisantra"^^ . . "Fajar"^^ . "Delli Wihartiko"^^ . "Fajar Delli Wihartiko"^^ . . "Prihastuti"^^ . "Harsani"^^ . "Prihastuti Harsani"^^ . . "Universitas Pakuan"^^ . . . "Fakultas Matematika dan Ilmu Pengetahuan Alam"^^ . . . "Program Studi Ilmu Komputer"^^ . . . . . . . "Implementasi K-Medoids dan K-means Clustering pada \r\n data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli \r\nW.,SSI.MM.,M.Kom.\r\n Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh \r\ndari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi \r\ngame digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 \r\nkolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means \r\nclustering dan K Medoids untuk menganalisis data Steam serta menganalisis \r\nperbedaan antara kedua metode tersebut.\r\n Data Steam akan masuk ke dalam proses data mining, dalam proses data \r\nmining terdiri dari beberapa tahapan seperti preprocessing data, transformation data \r\ntujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah \r\nmenggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means\r\nclustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk \r\nmembandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk \r\nmengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah \r\nevaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru \r\nyang diperoleh dari hasil clustering dari metode k means maupun k medoids serta \r\nperbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu \r\nmenunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari \r\nplatform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan \r\nnilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 \r\nsedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin \r\nbagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih \r\nberagam dibandingkan menggunakan K-Medoids yang menunjukan K-Means\r\nclustering lebih unggul (Text)"^^ . . . "Skripisi.pdf"^^ . . "HTML Summary of #7912 \n\nImplementasi K-Medoids dan K-means Clustering pada \n data Steam. Dibawah bimbingan Dr. Prihastuti Harsani, M.Si. dan Dr. Fajar Delli \nW.,SSI.MM.,M.Kom. \n Penelitian ini melakukan analisis pada data Steam menggunakan metode K�Means clustering dan K-Medoids, Data yang digunakan dalam penelitian ini diperoleh \ndari platform Kaggle, Data yang digunakan dalam penelitian ini berupa data informasi \ngame digital pada platform Steam, data Steam ini berisikan 27.075 baris data dan 18 \nkolom informasi Tujuan dari penelitian ini adalah menerapkan metode K-Means \nclustering dan K Medoids untuk menganalisis data Steam serta menganalisis \nperbedaan antara kedua metode tersebut. \n Data Steam akan masuk ke dalam proses data mining, dalam proses data \nmining terdiri dari beberapa tahapan seperti preprocessing data, transformation data \ntujuan dari kedua proses tersebut untuk mempersiapkan data untuk siap diolah \nmenggunakan metode K-Means clustering dan k- medoids, setelah metode K-Means \nclustering dan K-Medoids telah selesai maka masuk ke proses evaluasi untuk \nmembandingkan metode K-Means dan K-Medoids, metode yang digunakan untuk \nmengevaluasi yaitu menggunakan metode DBI (Davies-Bouldin Index), setelah \nevaluasi selesai maka akan masuk ke proses knowledge untuk menarik informasi baru \nyang diperoleh dari hasil clustering dari metode k means maupun k medoids serta \nperbedaan dari kedua metode clustering tersebut. Informasi yang didapatkan yaitu \nmenunjukkan bahwa K-Means clustering lebih unggul dalam mengolah data dari \nplatform Steam daripada K-Medoids. Hal ini didapatkan dengan cara membandingkan \nnilai evaluasi dari kedua metode clustering tersebut K-Means memiliki nilai 0,4644 \nsedangkan K Medoids memiliki nilai 1,5604, semakin kecil nilai dbi maka semakin \nbagus hasilnya, selain itu hasil clustering menggunakan K-Means clustering lebih \nberagam dibandingkan menggunakan K-Medoids yang menunjukan K-Means \nclustering lebih unggul\n\n" . "text/html" . . . "Ilmu Komputer"@en . .