JNATIA Volume 2, Nomor 1, November 2023

Jurnal Nasional Teknologi Informasi dan Aplikasinya

p-ISSN: 2986-3929

Sistem Rekomendasi Game dengan Metode K-Nearest Neighbor (KNN)

I Putu Marcel WIgunaa1, Ida Bagus Gede Dwidasmaraa2

aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Udayana, Bali

Jln. Raya Kampus UNUD, Bukit Jimbaran, Kuta Selatan, Badung, 08261, Bali, Indonesia 1[email protected] 2[email protected]

Abstract

The rapid growth of the gaming industry has resulted in an overwhelming number of game titles available to users. However, the abundance of choices makes it challenging for users to find games that match their preferences and interests. To address this issue, this research paper focuses on the development of a game recommendation system. The goal is to create an effective system that assists users in discovering games that align with their tastes and enhances their gaming experience.In this study, the K-Nearest Neighbor (KNN) method is employed as the underlying algorithm for the game recommendation system. The KNN method is a popular machine learning technique known for its ability to classify data based on similarities.This allows the system to recommend games that are likely to be of interest to users based on their preferences and the characteristics of games they have previously enjoyed. This research contributes to the field by showcasing the potential of the K-Nearest Neighbor (KNN) method in developing an efficient game recommendation system. The system's capability to assist users in discovering engaging games tailored to their interests has implications for improving user experience and driving game sales.

Keywords: Game, Recommendation System, KNN

  • 1.    Pendahuluan

Perkembangan internet yang sangat pesat telah membawa banyak perubahan dalam perilaku bisnis dan ekonomi masyarakat. Saat ini, banyak situs-situs e-commerce yang sudah dilengkapi kemampuan untuk memberikan rekomendasi sesuai dengan preferensi pelanggan, dengan tujuan supaya pelanggan tertarik untuk membeli produk yang direkomendasikan, contohnya Amazon.com,CDNow, Reel.com, dsb. Salah satu jenis situs yang saat ini semakin marak dan banyak peminatnya adalah situs-situs penyedia game. Situs–situs ini bias Anya menyediakan berbagai jenis game untuk komputer maupun video game [1].

Sistem rekomendasi merupakan sistem yang dapat membantu pengguna dalam mengidentifikasi hal-hal yang mungkin diminati oleh pengguna tersebut. Sistem ini dibuat untuk memprediksikan produk yang diminati kemudian memberikan rekomendasi kepada pengguna berdasarkan banyak faktor. Sistem rekomendasi memproses sejumlah besar informasi pengguna, preferensi, dan minat pengguna. Data tersebut akan digunakan untuk menemukan kecocokan dan menghitung kesamaan antara pengguna dan item. Sistem rekomendasi dapat digunakan dalam berbagi hal, misalnya menemukan item yang diminati pengguna, membantu penyedia barang dalam mengirimkan barang kepada pengguna yang tepat,dan lain-lain [2].

Dalam sistem rekomendasi terdapat beberapa metode yang sering digunakan yaitu Collaborative Filtering, Content Based, dan Hybrid. Collaborative Filtering menggunakan riwayat pemilihan atau riwayat penilaian sebagai dasar untuk menentukan rekomendasi. Content Based menggunakan kesamaan produk untuk ditawarkan kepada pembeli. Sedangkan metode Hybrid menggabungkan metode dua atau lebih metode untuk menghasilkan rekomendasi yang lebih baik [3]. Dalam penelitian ini peneliti akan menggunakan K-Nearest Neighbor karena KNN dapat

digunakan untuk menangani variasi data yang kompleks atau tidak terstruktur. Dalam sistem rekomendasi game, ini berarti KNN dapat memberikan rekomendasi yang lebih relevan dan beragam, berdasarkan kesamaan fitur-fitur numerik antara game-game.

  • 2.    Metode Penelitian

    a.    Konsep Dari Sistem Yang Dibangun

Sebelum dilakukannya tahap penelitian, dibuat terlebih dahulu perancangan dari sistem yang akan dibangun yang dimana akan memudahkan untuk memahami alur dari sistem itu sendiri.

Gambar 1. Flowchart Sistem

  • b.    Dataset

Dataset yang akan digunakan dalam penelitian ini didapatkan dari situs Kaggle, yang dimana dataset ini berformat CSV. Dataset yang digunakan berisi sejumlah data game, platform, tahun rilis dsb.

  • c.    K-Nearest Neighbor

K-Nearest Neighbour (K-NN) merupakan metode untuk melakukan klasifikasi terhadap objek baru berdasarkan (k) tetangga terdekatnya. K-NN termasuk algoritma supervised learning, dimana hasil dari query instance yang baru, diklarifikasikan berdasarkan mayoritas dari kategori pada K-NN, kelas yang paling banyak muncul yang akan menjadi kelas hasil klasifikasi [4]. Metode KNN digunakan karena memilikibeberapa kelebihan, diantaranya yaitu dapat menghasilkan data yang lebih akurat dan efektif apabilamemlikitrainingdatayangcukup besar. Namun, metode ini juga memilikibeberapa kekurangan, seperti biaya komputasi yang cukup tinggi karena diperlukan perhitungan jarak query instance pada keseluruhan training sample [5]. Persamaan berikut ini adalah persamaan :

Gambar 2. Persamaan Pada Metode KNN

  • 3.    Hasil dan Pembahasan

Adapun tahapan-tahapan yang dilakukan sampai mendapatkan hasil dari penelitian adalah sebagai berikut.

  • 3.1.    Preprocessing

Pada tahap preprocessing ini, langkah-langkah seperti mengambil fitur-fitur yang relevan, mengubah nilai string menjadi NaN, dan menghapus baris dengan nilai NaN adalah langkah-langkah yang umum dilakukan untuk membersihkan dan mempersiapkan data sebelum digunakan dalam analisis lebih lanjut. Selain itu, normalisasi pada juga termasuk dalam tahap ini. Normalisasi dilakukan untuk mengubah rentang nilai pada fitur-fitur numerik agar seragam atau memiliki skala yang sama. Dalam kasus ini, normalisasi dilakukan dengan mengubah nilai-nilai fitur numerik ke dalam rentang antara 0 dan 1.

  • # Normalisasi fitur-fitur numerik

dataset[features] = (dataset[features] - dataset[features].min()) ∕ (dataset[features].max() - dataset[features].min())

≈ R ⅛ £1 ■


# Menampilkan data setelah pengolahan print("Data setelah pengolahan:”) print(data set.head())

Data setelah pengolahan:

Name

Platform

YearofRelease

Genre Publisher ∖

θ            Wii Sports

Wii

0.677419

Sports Nintendo

2         Mario Kart Wii

Wii

0.741935

Racing Nintendo

3      Wii Sports Resort

Wii

0.774194

Sports Nintendo

6 New Super Mario Bros.

DS

0.677419

Platform Nintendo

7               Wii Play

Wii

0.677419

Misc Nintendo

NA_Sales EU_Sales JP_Sales Other_Sales Global

_Sales Critic_Score

0     41.36     28.96

3.77

8.45

82.53      0.741176

2     15.68     12.76

3.79

3.29

35.52      0.811765

3     15.61     10.93

3.28

2.95

32.77      0.788235

6     11.28      9.14

6.50

2.88

29.80     0.894118

7     13.96      9.18

2.93

2.84

28.92      0.529412

CriticCount

UserScore

UserCount Developer Rating

0

0.436364

0.824176

0.029828

Nintendo

E

2

0.636364

0.857143

0.066129

Nintendo

E

3

0.636364

0.824176

0.017634

Nintendo

E

6

0.563636

0.879121

0.040053

Nintendo

E

7

0.345455

0.670330

0.011725

Nintendo

E

  • Gambar 3. Hasil Preprocessing

  • 3.2.    Tahap Pembangunan Model

Pada tahap ini, kita menggunakan dataset yang telah diolah dan dinormalisasi fitur-fiturnya. Setelah itu, kita membuat objek KNN dengan menginisialisasi jumlah tetangga (n_neighbors) yang ingin kita pertimbangkan saat mencari tetangga terdekat, algoritma yang digunakan, dan metrik jarak yang digunakan.Setelah objek KNN dibuat, kita melakukan proses pembelajaran dengan memasukkan dataset yang telah dipreproses ke dalam algoritma KNN. Proses pembelajaran ini melibatkan menemukan tetangga terdekat untuk setiap titik data dalam dataset berdasarkan jarak yang ditentukan. Algoritma KNN akan mencatat tetangga-tetangga ini sebagai referensi untuk memberikan rekomendasi di kemudian hari. Selama tahap pembangunan model, KNN akan menghitung jarak antara setiap titik data dengan tetangga terdekatnya, yang akan digunakan sebagai dasar perhitungan kesamaan antara data. Semakin dekat jarak antara dua data, semakin mirip fitur-fitur numeriknya. Setelah proses pembelajaran selesai, model KNN akan siap digunakan untuk memberikan rekomendasi game. Model ini memiliki pengetahuan tentang tetangga terdekat setiap titik data dalam dataset, dan berdasarkan kesamaan fitur-fiturnya, dapat merekomendasikan game-game serupa untuk game yang diberikan sebagai input.

  • 3.3.    Tahap Evaluasi

Pada tahap ini akan dilakukan kinerja sistem yang telah dibangun yang dimana sangat penting bagi peneliti jika ingin meningkatkan kinerja model yang telah dibangun. Dalam tahap ini matrik pengujian yang digunakan Root Mean Squared Error (ERMS) yang dimana dipergunakan dalam mengukur tingkat akurasi dari hasil rekomendasi oleh model dari sistem yang telah dibangun. Berikut adalah hasil dari rekomendasi sistem sekaligus pengukuran ERMS terhadapa model yang telah dibangun oleh peneliti.

Gambar 4. Hasil Evaluasi

Hasil RMSE yang diperoleh adalah 0.14326188024767245, maka itu menunjukkan bahwa kesalahan rata-rata dari model rekomendasi game menggunakan metode K-Nearest Neighbors (KNN) sebesar 0.14326188024767245. Yang dimana semakin rendah nilai RMSE, semakin baik performa model. Dalam konteks ini, nilai RMSE yang relatif rendah menunjukkan bahwa model KNN mampu memberikan rekomendasi game yang cukup akurat.

  • 4.    Kesimpulan

Berdasarkan dari hasil penelitian yang telah dilakukan dapat disimpulkan model yang telah dibangun telah dapat memberikan rekomendasi yang cukup memuaskan berdasarkan hasil evaluasi yang dilakukan, namun peneliti juga merasa untuk teknik evaluasi yang digunakan ada yang dapat lebih bisa dipercaya disbanding RMSE dan juga untuk penelitian kedepannya peneliti menyarankan untuk penggunaan dataset yang lebih banyak lagi dan tentunya beragam agar dapat menghasilkan model yang lebih optimal.

Daftar Pustaka

  • [1]    H. Maharani, “Rancangan Sistem Rekomendasi Game Dengan Model-Based

Collaboration Filtering.”

  • [2]    H. A. Sheeren, L. W. Santoso, and J. Andjarwirawan, “Sistem Rekomendasi Pembelian

Laptop dengan K-Nearest Neighbor (KNN).”

  • [3]    C. Saha and D. Prasetya, “Sistem Rekomendasi Pada E-Commerce Menggunakan K-

Nearest Neighbor,” vol. 4, no. 3, pp. 2355–7699, 2017.

  • [4]    C. A. Rahardja and H. Agung, “Rahardja, Implementasi Algoritma K-Nearest Neighbor

Pada Website Rekomendasi Laptop 75 Implementasi Algoritma K-Nearest Neighbor Pada Website Rekomendasi Laptop.”

  • [5]    P. Pangestu and R. Setyadi, “Penerapan Metode K-Nearest Neighbor Untuk Pemilihan

Rekomendasi Game FPS Pada Aplikasi Google Play Store,” Journal of Information

System Research (JOSH), vol. 4, no. 2, pp. 742–747, Jan. 2023, doi: 10.47065/josh. v4i2.3006.

250