<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN"^^ . "Penelitian ini bertujuan untuk mengelompokkan anime berdasarkan\r\npreferensi genre dengan menggunakan dua algoritma clustering, yaitu K-Means\r\ndan DBSCAN, pada dataset yang mencakup 19.311 entri anime. Permasalahan\r\nyang dihadapi adalah ketidakmampuan sebagian algoritma untuk menangani data\r\ndengan distribusi kepadatan yang tidak merata dan noise, yang berdampak pada\r\npemisahan data yang tidak efektif. Penelitian ini menyelidiki bagaimana kedua\r\nalgoritma tersebut dapat mengelompokkan anime dan mengevaluasi hasil\r\nclustering dengan metrik seperti Silhouette Score, Ellbow dan Davies-Bouldin\r\nIndex. Untuk menyelesaikan masalah ini, dilakukan analisis dengan\r\nmembandingkan hasil clustering K-Means dan DBSCAN serta mengidentifikasi\r\ngenre dominan di setiap cluster.\r\nMetode yang digunakan dalam penelitian ini melibatkan penerapan KMeans\r\nuntuk\r\nmenentukan\r\njumlah\r\ncluster\r\ndengan\r\nElbow\r\nMethod,\r\nSilhouette\r\nScore,\r\n\r\ndan\r\nDavies-Bouldin\r\nIndex,\r\nserta\r\nDBSCAN\r\nyang\r\nmenggunakan\r\nparameter\r\nepsilon\r\n\r\ndan\r\n\r\nmin_samples yang ditentukan berdasarkan K-Distance Graph. Evaluasi\r\ndilakukan untuk menilai kualitas pemisahan cluster dan jumlah noise yang\r\nterdeteksi oleh masing-masing algoritma. Visualisasi 2D menggunakan PCA juga\r\nditerapkan untuk memperjelas distribusi cluster.\r\nHasil penelitian menunjukkan bahwa K-Means menghasilkan 2 cluster\r\ndengan pemisahan yang jelas, sementara DBSCAN mengidentifikasi 2 cluster\r\nutama dan 100 titik noise. DBSCAN lebih efektif dalam menangani noise dan\r\noutliers, sementara K-Means lebih konsisten dalam menghasilkan cluster yang\r\nterstruktur. Hasil ini memberikan wawasan berguna bagi pengembangan sistem\r\nrekomendasi anime berbasis preferensi genre, yang dapat digunakan oleh\r\npengembang platform streaming atau analisis konten anime lebih lanjut."^^ . "2025-07-21" . . . . . . . . . . . "Universitas AMIKOM Yogyakarta"^^ . . . "Fakultas Ilmu Komputer, Universitas AMIKOM Yogyakarta"^^ . . . . . . . . <> . . "Mulia"^^ . "Sulistiyono"^^ . "Mulia Sulistiyono"^^ . . "Mukhamad Dwi"^^ . "Wahyono"^^ . "Mukhamad Dwi Wahyono"^^ . . "Universitas AMIKOM Yogyakarta"^^ . . . . . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "COVER.pdf"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "BAB I.pdf"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "BAB V.pdf"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "Daftar Pustaka.pdf"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Archive)"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Text)"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN (Other)"^^ . . . . . "HTML Summary of #31393 \n\nANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN\n\n" . "text/html" . . . "006 Metode komputer khusus"@en . .