Pengelompokan Smartphone berdasarkan spesifikasi menggunakan Algoritma K-Means

Faroj, Rifky Zaini (2025) Pengelompokan Smartphone berdasarkan spesifikasi menggunakan Algoritma K-Means. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (131kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (183kB) | Preview
Preview	Text (BEBASPLAGIARISM) 3_skbebasplagiarism.pdf Download (286kB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (160kB) | Preview
Preview	Text (BAB I) 5_bab1.pdf Download (304kB) | Preview
	Text (BAB II) 6_bab2.pdf Restricted to Registered users only Download (509kB) | Request a copy
	Text (BAB III) 7_bab3.pdf Restricted to Registered users only Download (411kB) | Request a copy
	Text (BAB IV) 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB V) 9_bab5.pdf Restricted to Registered users only Download (223kB) | Request a copy
	Text (DAFTAR PUSTAKA) 10_daftarpustaka.pdf Restricted to Registered users only Download (209kB) | Request a copy
	Text (LAMPIRAN) 11_lampiran.pdf Restricted to Repository staff only Download (271kB) | Request a copy

Abstract

Perkembangan teknologi yang pesat telah menghasilkan berbagai jenis smartphone dengan spesifikasi teknis yang beragam. Kondisi ini menimbulkan kebutuhan untuk melakukan pengelompokan smartphone secara objektif agar pengguna dan produsen dapat memahami karakteristik produk dengan lebih baik. Penelitian ini bertujuan untuk mengelompokkan smartphone berdasarkan kesamaan spesifikasi teknis menggunakan algoritma K-Means. Proses penelitian mengikuti tahapan CRISP-DM yang mencakup data preparation, pemilihan jumlah klaster optimal, evaluasi model, serta implementasi ke dalam aplikasi berbasis web. Data yang digunakan berasal dari dataset Kaggle yang mencakup fitur teknis seperti RAM, baterai, prosesor, dan kamera. Jumlah klaster optimal ditentukan menggunakan metode Elbow dan Silhouette score, dengan hasil terbaik pada K=6. Evaluasi model menghasilkan nilai Silhouette score sebesar 0,5156, Calinski-Harabasz index sebesar 652,94, dan Davies-Bouldin index sebesar 0,8163, yang menunjukkan bahwa klaster yang terbentuk memiliki pemisahan dan kekompakan yang baik. Hasil pengelompokan menghasilkan enam klaster deskriptif, yaitu Performa Tinggi/Gaming, Seri Kamera Unggulan, Pro Pengguna Berat, Baterai Tahan Lama, 5G Ekonomis, dan Kebutuhan Harian. Model akhir diimplementasikan dalam aplikasi web berbasis Python (Gradio) yang mampu memberikan hasil prediksi secara real-time dengan waktu respon di bawah 3 detik. Penelitian ini membuktikan efektivitas algoritma K-Means dalam segmentasi smartphone berbasis spesifikasi teknis serta membuka peluang pengembangan sistem rekomendasi produk yang lebih objektif.

Actions (login required)

View Item