@phdthesis{universitasamikomyogyakarta31393,
           month = {July},
           title = {ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN},
            year = {2025},
          school = {Universitas AMIKOM Yogyakarta},
          author = {Mukhamad Dwi Wahyono},
             url = {https://eprints.amikom.ac.id/id/eprint/31393/},
        keywords = {Clustering, DBSCAN, K-Means, Genre Anime, Noise},
        abstract = {Penelitian ini bertujuan untuk mengelompokkan anime berdasarkan
preferensi genre dengan menggunakan dua algoritma clustering, yaitu K-Means
dan DBSCAN, pada dataset yang mencakup 19.311 entri anime. Permasalahan
yang dihadapi adalah ketidakmampuan sebagian algoritma untuk menangani data
dengan distribusi kepadatan yang tidak merata dan noise, yang berdampak pada
pemisahan data yang tidak efektif. Penelitian ini menyelidiki bagaimana kedua
algoritma tersebut dapat mengelompokkan anime dan mengevaluasi hasil
clustering dengan metrik seperti Silhouette Score, Ellbow dan Davies-Bouldin
Index. Untuk menyelesaikan masalah ini, dilakukan analisis dengan
membandingkan hasil clustering K-Means dan DBSCAN serta mengidentifikasi
genre dominan di setiap cluster.
Metode yang digunakan dalam penelitian ini melibatkan penerapan KMeans
untuk
menentukan
jumlah
cluster
dengan
Elbow
Method,
Silhouette
Score,

dan
Davies-Bouldin
Index,
serta
DBSCAN
yang
menggunakan
parameter
epsilon

dan

min\_samples yang ditentukan berdasarkan K-Distance Graph. Evaluasi
dilakukan untuk menilai kualitas pemisahan cluster dan jumlah noise yang
terdeteksi oleh masing-masing algoritma. Visualisasi 2D menggunakan PCA juga
diterapkan untuk memperjelas distribusi cluster.
Hasil penelitian menunjukkan bahwa K-Means menghasilkan 2 cluster
dengan pemisahan yang jelas, sementara DBSCAN mengidentifikasi 2 cluster
utama dan 100 titik noise. DBSCAN lebih efektif dalam menangani noise dan
outliers, sementara K-Means lebih konsisten dalam menghasilkan cluster yang
terstruktur. Hasil ini memberikan wawasan berguna bagi pengembangan sistem
rekomendasi anime berbasis preferensi genre, yang dapat digunakan oleh
pengembang platform streaming atau analisis konten anime lebih lanjut.}
}