KLASIFIKASI POPULARITAS GAME DI ROBLOX BERDASARKAN AKTIVITAS PENGGUNA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN KNEAREST NEIGHBOR (KNN)

Alensy, Zenic Belpha (2026) KLASIFIKASI POPULARITAS GAME DI ROBLOX BERDASARKAN AKTIVITAS PENGGUNA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN KNEAREST NEIGHBOR (KNN). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (2MB)
	Text (BAB I) BAB I.pdf - Published Version Download (297kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (515kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf - Published Version Download (92kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (311kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.5128.zip Restricted to Repository staff only Download (371kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

Popularitas 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.

Actions (login required)

View Item