Analisa Klasifikasi Genre Game PC Terpopuler

Muhammad Rivaldy  Hisham; Jumiliono Pratama; Luky Andito; Andy Kho; Hendry Wijaya

doi:10.37823/insight.v4i01.145

Authors

Muhammad Rivaldy Hisham Universitas Internasional Batam
Jumiliono Pratama Universitas Internasional Batam
Luky Andito Universitas Internasional Batam
Andy Kho Universitas Internasional Batam
Hendry Wijaya Universitas Internasional Batam

DOI:

https://doi.org/10.37823/insight.v4i01.145

Keywords:

Gradient Boosting Decicision, Random Forest Classifier, Klasifikasi, Video Game

Abstract

Kemajuan teknologi yang terus berkembang dengan pesat memungkinkan banyak perusahaan memanfaatkan teknologi dengan menciptakan berbagai macam cara dengan menggunakan sistem serta aplikasi dari Teknologi Informasi, salah satu contoh dari sistem TI ialah video game. Maraknya aplikasi video game dengan berbagai kategori yang telah dirancang dan diimplementasikan lalu dipublikasikan pada platform Google Play Store sangat memungkinkan penggunanya memberikan penilaian dan akan berdampak pada peringkat video game yang dipublikasikan. Pada penelitian ini, penulis menggunakan dataset Google Play Store yang diperoleh dari situs website Kaggle untuk memprediksi aplikasi yang populer menggunakan dua model klasifikasi yaitu Random Forest Classifier (RFC) dan Gradient Boosting Decision (GBD) dan membandingkan akurasi model ini. Penelitian ini menghasilkan prediksi aplikasi manakah yang populer dan tidak menggunakan dua model serta menentukan kategori video gamenya. Penelitian ini diharapkan dapat membantu perusahaan mempertimbangkan aplikasi atau video game apa yang baik untuk dikembangkan pada masa yang akan datang.

References

Y. Pusparisa, “Berapa Jumlah Pengguna Smartphone Dunia,”20-01-2020, 2019. .

D. L. King, P. H. Delfabbro, J. Billieux, and M. N. Potenza, “Problematic Online Gaming and The COVID-19 Pandemic,”J. Behav. Addict., vol. 9, no. 2, pp. 184–186, 2020, doi: 10.1556/2006.2020.00016.

K. L. Hsiao and C. C. Chen, “What drives in-app purchase intention for mobile games? An examination of perceived values and loyalty,”Electron. Commer. Res. Appl., vol. 16, pp. 18–29, 2016, doi: 10.1016/j.elerap.2016.01.001.

A. Trisnadoli, “Jurnal Politeknik Caltex Riau Analisis Kebutuhan Kualitas Perangkat Lunak Pada Software Game Berbasis Mobile,”Anal. Kebutuhan Kualitas Perangkat Lunak Pada Softw. Game Berbas. Mob., vol. 1, no. 2, pp. 67–74, 2015.

R. Maredia, “Analysis of Google Play Store Data set and Predict The Popularity of An App On Google Play Store Analysis of Google Play Store Data Set and Pedict The Popularity of An App On Google Play Store,” no. June, pp. 1–6, 2020.

Y. L. Pavlov,Random forests. 2019.

J. H. Friedman, “Greedy function approximation: A gradient boosting machine,”Ann. Stat., vol. 29, no. 5, pp. 1189–1232, 2001, doi: 10.1214/aos/1013203451.

S. Huber, H. Wiemer, D. Schneider, and S. Ihlenfeldt, “DMME: Data mining methodology for engineering applications - A holistic extension to the CRISP-DM model,”Procedia CIRP, vol. 79, pp. 403–408, 2019, doi: 10.1016/j.procir.2019.02.106.

M. Carpita, E. Ciavolino, and P. Pasca, “Exploring and modelling team performances of the Kaggle European Soccer database,”Stat. Modelling, vol. 19, no. 1, pp. 74–101, 2019, doi: 10.1177/1471082X18810971.

A. K. Sandhu and R. S. Batth, “Software reuse analytics using integrated random forest and gradient boosting machine learning algorithm,”Softw. - Pract. Exp., vol. 51, no. 4, pp. 735–747, 2021, doi: 10.1002/spe.2921.

A. Kadiyala and A. Kumar, “Applications of python to evaluate the performance of decision tree-based boosting algorithms,”Environ. Prog. Sustain. Energy, vol. 37, no. 2, pp. 618–623, 2018, doi: 10.1002/ep.12888.

M. Chakradar, A. Aggarwal, and R. Forests, “FEATURE SELECTION FOR INSULIN RESISTANCE USING,” vol. 18, no. 04, pp. 4861–4879, 2021.