No image available for this title

Text

Analisa dan Penerapan Metode Algoritma K-Means Clustering Untuk Mengidentifikasi Rekomendasi Kategori Baru Pada List Movie IMDb



IMDb (Internet Movie Database) situs lengkap yang menyediakan informasi berkaitan dengan film-film di seluruh dunia, berbagai informasi berkaitan dengan profil sutradara, aktor, aktris penulis film serta nominasi penghargaan. Di situs IMDb fasilitas pengunjung bisa melihat rating dan review sesuai apa film yang akan ditonton. IMDb mengkategorikan Top 250 Movies, Most Popular Movies. Kedua kategori yang ada tersebut dirasa kurang efektif dan tidak relevan dengan rekomendasi terhadap para pengunjung untuk memilih dan memutuskan terhadap suatu film tersebut, dikarenakan hasil dari rating tertinggi dan votes yang paling besar saja yang ditampilkan berdasarkan urutan paling tertinggi baik votes ataupun rating dari permasalah itu maka dilakukan pengolahan data menggunakan data mining dengan metode algoritma K-means clustering agar terlihat pola-pola data dan akurasi menggunakan Davies-Bouldin Index (DBI) untuk mengelompokan rating dan votes dengan perhitungan rata-rata dari sebuah klaster untuk menentukan titik centroid, hasil dari penelitian ini menunjukan bahwaDBI paling optimal terdapat pada Cluster K=2 populasi 509 dengan nilai akurasi 0.456, berdasarkan knowledge hasil vote dan rating maka disimpulkan dijadikan sebagai rekomendasi film kategori baru dengan nama Best Recommended Movie kepada calon penonton film di situs imdb.com.


Availability

No copy data


Detail Information

Series Title
-
Call Number
-
Publisher JURNAL MEDIA INFORMATIKA BUDIDARMA : Indonesia.,
Collation
006
Language
Indonesia
ISBN/ISSN
2614-5278
Classification
NONE
Content Type
-
Media Type
-
Carrier Type
-
Edition
-
Subject(s)
Specific Detail Info
-
Statement of Responsibility

Other Information

Accreditation
-

Other version/related

No other version available


File Attachment



Information


Web Online Public Access Catalog - Use the search options to find documents quickly