EPrints Universitas Amikom YogyakartaKLASIFIKASI POPULARITAS GAME DI ROBLOX BERDASARKAN AKTIVITAS PENGGUNA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN KNEAREST NEIGHBOR (KNN)Zenic BelphaAlensyauthorPopularitas game pada platform Roblox meningkat pesat seiring bertambahnya jumlah pengguna dan pengembang. Kondisi ini menyulitkan penentuan tingkat popularitas game secara objektif apabila hanya dilakukan secara manual, terutama bagi pengembang baru dan pengguna dalam memilih game yang berkualitas. Oleh karena itu, diperlukan sistem klasifikasi otomatis yang mampu mengelompokkan popularitas game berdasarkan data aktivitas pengguna. Penelitian ini bertujuan untuk membangun sistem klasifikasi popularitas game Roblox menggunakan metode machine learning dengan memanfaatkan data aktivitas pengguna. Dua algoritma yang digunakan adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM). Tahapan penelitian meliputi prapemrosesan data, pembagian data latih dan uji, pembangunan model, tuning parameter, serta evaluasi kinerja menggunakan metrik akurasi dan confusion matrix. Model yang dihasilkan kemudian diimplementasikan ke dalam aplikasi berbasis Streamlit untuk pengujian prediksi secara interaktif. Hasil penelitian menunjukkan bahwa model KNN memiliki performa lebih baik dibandingkan SVM, dengan akurasi sebesar 97,53%, sedangkan SVM mencapai 95,43%. Sistem yang dikembangkan terbukti mampu mengklasifikasikan popularitas game Roblox ke dalam kategori High, Medium, dan Low secara efektif. Penelitian ini diharapkan dapat menjadi alat bantu bagi pengembang, pengguna, dan pihak platform dalam menganalisis popularitas game, serta dapat dikembangkan lebih lanjut dengan penambahan fitur atau penerapan metode yang lebih kompleks.000 Ilmu komputer, informasi dan pekerjaan umum004 Pemrosesan data dan ilmu komputer2026-02-23Universitas AMIKOM Yogyakarta;Fakultas Ilmu KomputerThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.