Analisis Dan Prediksi Rating Game Berdasarkan Review Pengguna Steam Menggunakan Algoritma K–Nearest Neighbor
Keywords:
Sistem Rekomendasi, K-Nearest Neighbors (KNN), Steam, Prediksi Rating, Ulasan Pengguna, PersonalisasiAbstract
Industri game digital terus berkembang pesat, dengan platform seperti Steam yang menawarkan ribuan game kepada jutaan pengguna. Namun banyaknya pilihan membuat pengguna kesulitan menemukan game yang sesuai dengan kebutuhannya. Penelitian ini bertujuan untuk menganalisis dan memprediksi rekomendasi pengguna untuk rating game di Steam menggunakan algoritma K-nearest neighbour (KNN). Kumpulan data yang digunakan terdiri dari 2.800 review pengguna terhadap 7 game yang diperoleh dari Kaggle.com. Melakukan proses pengolahan data secara sistematis, meliputi pembersihan data, transformasi teks, dan segmentasi data menjadi data latih dan data uji. Algoritma KNN dengan k=5 diimplementasikan menggunakan software RapidMiner yang mendukung analisis data halus dengan metode non parametrik. Hasil penelitian menunjukkan bahwa algoritma KNN dapat memprediksi statistik permainan dengan akurat. Penggunaan pemrosesan data terstruktur dan perangkat lunak pendukung menghasilkan model klasifikasi label berpemilik. Selain itu, penelitian ini menunjukkan potensi pengembangan model lebih lanjut dengan memperluas kumpulan data, memasukkan lebih banyak variabel, dan membandingkan berbagai variabel untuk penilaian kinerja. Selain memberikan solusi praktis, penelitian ini juga memberikan kerangka teoritis untuk penerapan algoritma KNN pada sistem rekomendasi big data, yang dapat meningkatkan pengalaman pengguna dalam mengeksplorasi game baru.
References
Al-Balgaist, S. S. Y. (2023). Prediksi jumlah rilis game pada platform Steam dengan menggunakan algoritma K-Nearest Neighbor Regression. Dissertasi. Universitas Islam Negeri Maulana Malik Ibrahim.
Daulay, R. S. (2024). Analisis Kritis dan Pengembangan Algoritma K-Nearest Neighbor (KNN): Sebuah Tinjauan Literatur. Jurnal Pendidikan Sains dan Komputer, 4(02), 131-141.
Jalil, A., Homaidi, A., & Fatah, Z. (2024). Implementasi algoritma Support Vector Machine untuk klasifikasi status stunting pada balita. G-Tech: Jurnal Teknologi Terapan, 8(3), 2070-2079.
Mustafa, M. S., & Simpen, I. W. (2019, August). Implementasi Algoritma K-Nearest Neighbor (KNN) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba. In SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi (Vol. 8, No. 1).
Nasri, E., & AW, A. S. (2020). Aplikasi Seleksi Penentuan Nasabah Untuk Penjualan Barang Secara Kredit Dengan Algoritma K-Nearest Neighbor. Jurnal Ilmiah Sains dan Teknologi, 4(1), 1-11.
Aggarwal, C. C. (2016). Recommender Systems: The Textbook. Springer.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.).Morgan Kaufmann.
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to Recommender Systems Handbook. Springer.
Tan, P.-N., Steinbach, M., & Kumar, V. (2018). Introduction to Data Mining (2nd ed.). Pearson.
Yulisa, I. D., Testiana, G., & Putra, I. S. (2022). Data Mining: Algoritma K-Nearest Neighbor dan Penerapannya.