Treffer: Principal Component Analysis (PCA) Untuk Meningkatkan Hasil Klasterisasi Penjualan Video Game Menggunakan Algoritma K-Means.

The rapid growth of the video game industry presents challenges in analyzing and understanding global sales patterns. This study aims to apply Principal Component Analysis (PCA) as a preprocessing step to reduce the dimensionality of data before clustering it using the K-Means algorithm. The dataset used was obtained from Kaggle, consisting of 64,000 records and 11 sales-related attributes. The process began with data preprocessing, followed by PCA to simplify the data dimensions, and then clustering using K-Means. The evaluation was conducted using the Silhouette Coefficient method to assess the quality of the resulting clusters. The findings show that the combination of PCA and K-Means effectively clusters global video game sales data more efficiently and structurally, while also providing visualizations that support strategic decision-making. This study was also implemented as a desktop application using Python with a graphical user interface to facilitate interactive clustering. [ABSTRACT FROM AUTHOR]

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. [ABSTRACT FROM AUTHOR]

Copyright of Jurnal Locus: Penelitian dan Pengabdian is the property of Riviera Publishing and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)