Implementasi Agglomerative Hierarchical Clustering dalam menentukan tingkat popularitas Game Steam pada masa pandemi Covid-19

Sukma, Richcy Dian (2022) Implementasi Agglomerative Hierarchical Clustering dalam menentukan tingkat popularitas Game Steam pada masa pandemi Covid-19. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (71kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (31kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (60kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (111kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (273kB) | Request a copy
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (199kB) | Request a copy
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (486kB) | Request a copy
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (30kB) | Request a copy
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (95kB) | Request a copy

Abstract

Pada masa pandemi Covid-19, berbagai aktivitas orang-orang di luar rumah menjadi terganggu dan menjadikan orang lebih banyak beraktivitas di dalam rumah. Bagi sebagian perusahaan memanfaatkan masa pandemi ini sebagai keuntungan mereka, terutama perusahaan industri game digital. Berbagai game yang telah dirilis dan dipromosikan, game tersebut diterbitkan ke dalam macam-macam platform game. Salah satu platform game terbesar saat ini adalah Steam. Tidak hanya itu, salah satu situs web analisis Steam yaitu SteamDB pun dapat digunakan sebagai wawasan yang lebih lengkap dan lebih baik tentang platform Steam dan semua data yang berada dalam database-nya. Akan tetapi, situs web tersebut tidak menyediakan tingkat popularitas game sedang populer terutama pada masa pandemi Covid-19. Hal ini menyebabkan keambiguan dalam menentukan tingkat popularitas pada game Steam di masa pandemi Covid-19. Pada penelitian ini, metode yang digunakan adalah agglomerative hierarchical clustering. Kemudian Distance measure yang digunakan adalah Euclidean, Cosine dan Manhattan/Cityblock serta menggunakan Linkage Single, Average, Complete dan Ward. Hasil dari 216 data yang sudah dipilih adalah 172 game termasuk tingkat popularitas low, 32 game termasuk tingkat popularitas medium, 8 game termasuk tingkat popularitas high, dan 2 game termasuk tingkat popularitas very high. Clustering tersebut dihasilkan dari nilai evaluasi cluster terbaik yang dilakukan oleh Distance Euclidean dan Linkage Ward. Nilai Silhouette yang dihasilkan cluster tersebut sebesar 0,7481 serta nilai Calinksi-Harabasz-nya sebesar 479,18.

Actions (login required)

View Item