APLIKASI WEBSITE REKOMENDASI JUDUL GAMES DENGAN METODE K NEARNEST NEIGHBORD (KNN) DAN COLLABORATIVE FILTERING

YUDHAYANA, CANNIGIA (2025) APLIKASI WEBSITE REKOMENDASI JUDUL GAMES DENGAN METODE K NEARNEST NEIGHBORD (KNN) DAN COLLABORATIVE FILTERING. Skripsi thesis, UPN Veteran Yogyakarta.

	Text COVER.pdf Download (141kB)
	Text ABSTRAK.pdf Download (81kB)
	Text PENGESAHAN PEMBIIMBING.pdf Download (477kB)
	Text PENGESAHAN PENGUJI.pdf Download (547kB)
	Text DAFTAR ISI.pdf Download (26kB)
	Text DAFTAR PUSTAKA.pdf Download (92kB)
	Text SKRIPSI FULL_CANNIGIA YUDHAYANA_123180105.pdf Restricted to Repository staff only Download (1MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi judul game berbasis
metode Collaborative Filtering dan K-Nearest Neighbors (KNN) guna membantu pengguna
menemukan game sesuai preferensinya. Permasalahan utama yang diangkat adalah kesulitan
pengguna dalam memilih game akibat banyaknya pilihan dan kurangnya sistem rekomendasi
yang personal. Penelitian dilakukan melalui beberapa tahapan, dimulai dari pengumpulan
data yang bersumber dari Kaggle dengan dataset “Metacritic Games and User Reviews All
Time”, yang terdiri atas 845 data game dan lebih dari 11.000 ulasan pengguna. Selanjutnya,
dilakukan studi literatur, preprocessing data, pembangunan model sistem rekomendasi,
hingga pengujian sistem. Metodologi pengembangan sistem menggunakan pendekatan
Waterfall, yang meliputi tahap analisis kebutuhan (requirement), perancangan (design),
implementasi, verifikasi, dan pemeliharaan (maintenance). Model rekomendasi dibangun
dengan pendekatan user-based collaborative filtering, di mana KNN digunakan untuk
mengelompokkan pengguna berdasarkan kesamaan preferensi. Evaluasi sistem dilakukan
menggunakan Mean Absolute Error (MAE) sebagai metrik utama untuk mengukur akurasi
prediksi. Dataset dibagi menjadi 80% data latih dan 20% data uji. Hasil penelitian
menunjukkan bahwa metode ini berhasil memberikan rekomendasi yang relevan bagi
pengguna. Selain itu, pengujian antarmuka dengan metode black-box testing menunjukkan
bahwa seluruh fitur sistem berjalan sesuai fungsi, seperti halaman utama, login, registrasi,
dan detail game. Dengan demikian, sistem yang dibangun tidak hanya efektif secara
algoritmik, tetapi juga andal dan mudah digunakan. Penelitian ini membuka peluang untuk
pengembangan lebih lanjut, seperti penerapan hybrid filtering dan peningkatan fitur
antarmuka pengguna.
Kata Kunci: Sistem Rekomendasi, K-Nearest Neighbors (KNN), Collaborative Filtering,
Game

Item Type:	Thesis (Skripsi)
Additional Information:	CANNIGIA YUDHAYANA (Penulis-123180105) ; Heriyanto (Pembimbing)
Uncontrolled Keywords:	Sistem Rekomendasi, K-Nearest Neighbors (KNN), Collaborative Filtering, Game
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > Informatika (S1)
Depositing User:	A.Md Eko Suprapti
Date Deposited:	17 Jul 2025 03:43
Last Modified:	17 Jul 2025 03:43
URI:	http://eprints.upnyk.ac.id/id/eprint/43146

Actions (login required)

View Item