Principal Component Analysis (PCA) Untuk Meningkatkan Hasil Klasterisasi Penjualan Video Game Menggunakan Algoritma K-Means
Downloads
Perkembangan industri video game yang pesat menciptakan tantangan dalam menganalisis dan memahami pola penjualannya secara global. Penelitian ini bertujuan untuk menerapkan metode Principal Component Analysis (PCA) sebagai tahap pra-pemrosesan untuk mereduksi dimensi data sebelum dilakukan proses klasterisasi menggunakan algoritma K-Means. Dataset yang digunakan berasal dari situs Kaggle dengan jumlah data sebanyak 64.000 entri dan 11 atribut penjualan. Proses dimulai dari tahap preprocessing data, kemudian dilakukan PCA untuk menyederhanakan dimensi, dan selanjutnya data diklasterkan menggunakan K-Means. Evaluasi dilakukan dengan metode Silhouette Coefficient untuk mengetahui seberapa baik klaster yang terbentuk. Hasil dari penelitian menunjukkan bahwa kombinasi PCA dan K-Means mampu mengelompokkan data penjualan video game secara lebih efisien dan terstruktur, serta memberikan visualisasi yang membantu dalam pengambilan keputusan strategis. Penelitian ini juga dikembangkan dalam bentuk aplikasi desktop berbasis Python dengan antarmuka grafis untuk memudahkan pengguna dalam melakukan proses klasterisasi secara interaktif.
F. Indahtiningrum, “Hubungan antara kecanduan video game dengan stres pada mahasiswa Universitas Surabaya,” J. Ilm. Univ. Surabaya, vol. 2, no. 1, pp. 1–17, 2019, [Online]. Available: http://journal.ubaya.ac.id
Asiva Noor Rachmayani, “The Modern Economics the Video Games Industry,” Univ. Miami, vol. 3, no. 1, p. 6, 2015.
A. Meriç, “How Traditional Professions Have Transformed with New Media: From Cinema Acting to Video Game,” Filmvisio, vol. 1, no. 1, pp. 149–180, 2023, doi: 10.26650/filmvisio.2023.0006.
M. Z. Nasution, “PENERAPAN PRINCIPAL COMPONENT ANALYSIS (PCA) DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus?: SMK Raksana 2 Medan),” J. Teknol. Inf., vol. 3, no. 1, p. 41, 2019, doi: 10.36294/jurti.v3i1.686.
H. Prastiwi, Jeny Pricilia, and Errissya Rasywir, “Implementasi Data Mining Untuk Menentuksn Persediaan Stok Barang Di Mini Market Menggunakan Metode K-Means Clustering,” J. Inform. Dan Rekayasa Komputer(JAKAKOM), vol. 2, no. 1, pp. 141–148, 2022, doi: 10.33998/jakakom.2022.2.1.34.
A. C. Benabdellah, A. Benghabrit, and I. Bouhaddou, “A survey of clustering algorithms for an industrial context,” Procedia Comput. Sci., vol. 148, no. 2, pp. 291–302, 2019, doi: 10.1016/j.procs.2019.01.022.
B. S. Ashari, S. C. Otniel, and Rianto, “Perbandingan Kinerja K-Means Dengan DSCAN Untuk Metode Clustering Data Penjualan Online Retail,” J. Siliwangi, vol. 5, no. 2, pp. 72–77,2019,[Online].Available: http://jurnal.unsil.ac.id/index.php/jssainstek/article/view/1283
G. Enzellina and D. Suhaedi, “Penggunaan Metode Principal Component Analysis dalam Menentukan Faktor Dominan,” J. Ris. Mat., vol. 3, no. 1, pp. 101–110, 2022, doi: 10.29313/jrm.v2i2.1192.
M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 20–24, 2019, doi: 10.30591/jpit.v4i1.1253.
A. Sulistiyawati and E. Supriyanto, “Implementasi Algoritma K-means Clustring dalam Penetuan Siswa Kelas Unggulan,” J. Tekno Kompak, vol. 15, no. 2, p. 25, 2021, doi: 10.33365/jtk.v15i2.1162.
A. Rezky Pratama, B. Maulana, R. Didho Rianda, and S. El Hasyim, “Comparison of K-Means and K-Medoids Algorithms for Grouping Video Game Sales Data in North America,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 2, pp. 111–118, 2023, doi: 10.57152/ijirse.v3i2.898.
H. H. Q. Hayqal, Oni Soesanto, and Yuana Sukmawaty, “K-Means Clustering dan Principal Component Analysis (PCA) Dalam Radial Basis Function Neural Network (RBFNN) Untuk Klasifikasi Data Multivariat,” J. Math. Theory Appl., vol. 4, no. 1, pp. 1–7, 2022, doi: 10.31605/jomta.v4i1.1757.
A. S. A. & R. A. H. & J. k. A. & Z. T. A. & A. A. Z. & B. B. Zaidan et al., “Role of biological Data Mining and MachineLearningTechniques in Detecting and Diagnosing the Novel Coronavirus (COVID-19): A Systematic Review,” J. Med. Syst., vol. 3, no. 2, pp. 30–40, 2020.
I. Guyon, U. Von Luxburg, and R. C. Williamson, “Clustering: Science or art,” JMLR Work. Conf.Proc., vol. 27, no. 2, pp. 65–79, 2012,[Online].Available: https://www.informatik.uni-hamburg.de/ML/contents/people/luxburg/workshops/ClusteringScienceOrArt09/opinions/opinion-artorscience.pdf
X. Cai, J. Cebollada, and M. Cortiñas, “From traditional gaming to mobile gaming: Video game players’ switching behaviour,” Entertain. Comput., vol. 40, no. 2, pp. 10–15, 2022, doi: 10.1016/j.entcom.2021.100445.
Rezky, Eka, N. Ika Kurniati, and Rahmi, “Klasifikasi Jenis Buah Jambu Biji Menggunakan Algoritma Principal Component Analysis dan K-Nearest Neighbor,” Gener. J., vol. 6, no. 2, pp. 65–72, 2022, doi: 10.29407/gj.v6i2.17777.
M. A. W. J. A. Hartigan, “Algorithm AS 136 A K-Means Clustering Algorithm,” J. R. Stat. Soc. Ser. B Methodol., vol. 28, no. 1, pp. 100–108, 2012.
M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means algorithm: A comprehensive survey and performance evaluation,” Electron., vol. 9, no. 8, pp. 1–12, 2020, doi: 10.3390/electronics9081295.
I. M. Karo Karo and H. Hendriyana, “Klasifikasi Penderita Diabetes menggunakan Algoritma Machine Learning dan Z-Score,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 94–99, 2022, doi: 10.54914/jtt.v8i2.564.
W. Wahyu Pribadi, A. Yunus, and A. S. Wiguna, “Perbandingan Metode K-Means Euclidean Distance Dan Manhattan Distance Pada Penentuan Zonasi Covid-19 Di Kabupaten Malang,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 493–500, 2022, doi: 10.36040/jati.v6i2.4808.
M. Rahmah, A. Candra, and R. W. Sembiring, “Identifikasi Predikat Hasil Pengelompokan Data Kualitas Udara dengan Menggunakan Affinity Propagation dan Silhouette Coefficient,” InfoTekJar J. Nas. Inform. dan Teknol. Jar., vol. 6, no. 2, pp. 177–180, 2022, [Online]. Available: https://jurnal.uisu.ac.id/index.php/infotekjar/article/view/4670
Copyright (c) 2025 Windi Raihan Nurputra, Wina Witanti, Agus Komarudin
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
