SISTEM REKOMENDASI GAME MENGGUNAKAN METODE COLLABORATIVE FILTERING

Alvian, Rafael Jody (2021) SISTEM REKOMENDASI GAME MENGGUNAKAN METODE COLLABORATIVE FILTERING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (506kB)
	Text (BAB I) BAB I.pdf Download (266kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (532kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (743kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (426kB)
	Text (BAB V) BAB V.pdf Download (60kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (103kB)
	Archive (SOURCE CODE) Source Code-17.11.1019-Rafael Jody Alvian - Rafael Jody Alvian.rar Restricted to Repository staff only Download (4kB)
	Text (PUBLIKASI) Publikasi-17.11.1019-Rafael Jody Alvian - Rafael Jody Alvian.pdf Restricted to Repository staff only Download (404kB)

Abstract

Game merupakah salah satu industri besar yang ada di dunia. Seiring dengan perkembangan hardware saat ini, industri game juga mengalami perkembangan. Ditambah dengan developer-developer game yang berlomba ingin membuat game yang sedap dipandang mata, sehingga terdapat banyak sekali pilihan game yang dapat dimainkan. Dengan besarnya industri game yang menghasilkan banyak sekali pilihan game-game meanarik dengan berbagi macam jenis-jenisnya membuat masyarakat sebagai pemain mengalami kebingungan untuk memilih game yang sesuai dengan preferensi pribadi. Industri game merupakan industri yang berdasarkan pada komunitas para pemainnya. Pemain yang menyukai game yang sama akan memiliki preferensi jenis game yang sama dan akan saling memberikan rekomendasi game menarik lainnya antara satu pemain dengan pemain lainnya. Hal ini cocok dengan tujuan sistem rekomendasi, dimana jika user menyukai item yang sama maka akan memiliki nilai similarity yang sama serta akan memberikan rekomendasi game lainnya. Penelitian ini bertujuan untuk mengetahui langkah-langkah dari sistem rekomendasi menggunakan metode item-based collaborative filtering, serta algortima terbaik dari kedua algoritma yang diuji, dengan melihat hasil evaluasi dari sistem rekomendasi yang telah dibangun. Penelitian ini menggunakan metode item-based collaborative filtering, dengan perbandingan algoritma cosine similarity dan pearson correlation, prediksi rating item menggunakan KNN With Means, dan metode pengujian menggunakan RMSE dan MAE. Dari Penelitian yang sudah dilakukan menunjukkan bahwa dalam kedua dataset algoritma Pearson Correlation memiliki hasil yang lebih baik dari Cosine Similarity. Dengan menggunakan evaluasi RMSE hasil dataset Metacritic adalah 2.973 dengan nilai K=5 dan hasil dataset Boardgamegeek adalah 1.2632 dengan nilai K=10. Sedangkan dengan menggunakan evaluasi MAE hasil dataset Metacritic adalah 2.2362 dengan nilai K=5 dan hasil dataset Boardgamegeek adalah 0.9324 demgam nilai K=5.

Actions (login required)

View Item