ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN

Wahyono, Mukhamad Dwi (2025) ANALISIS PERBANDINGAN PREFERENSI GENRE ANIME MENGGUNAKAN ALGORITMA K-MEANS DAN DBSCAN. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (239kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (503kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (142kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Download (142kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4176.zip Restricted to Repository staff only Download (542kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (936kB)

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.

Actions (login required)

View Item