Digilib | Universitas Negeri Surabaya

Jenis Dokumen

Disertasi
Karya Akhir S1
Karya Akhir S2
Karya Akhir S3
Skripsi
Tesis
Tugas Akhir D3
Tugas Akhir D4

Fakultas

Ilmu Pendidikan
Bahasa & Seni
Matematika dan Ilmu Pengetahuan Alam
Ilmu Sosial & Politik
Hukum
Psikologi
Teknik
Ekonomika dan Bisnis
Ilmu Keolahragaan dan Kesehatan
Vokasi
Pascasarjana

Analisis Stabilitas Popularitas Game Digital Menggunakan Clustering K-Means dan Random Forest Berdasarkan Data Historis Aktivitas

Kode Dokumen : 0112/FT-TI/2026

Penulis Utama : TASYA AULIA MAQHFIRO

NIM Penulis Utama: 22051204029

Tahun : 2026

Judul ID :

Analisis Stabilitas Popularitas Game Digital Menggunakan Clustering K-Means dan Random Forest Berdasarkan Data Historis Aktivitas

Judul EN :

Analysis of the Stability of Digital Game Popularity Using K-Means Clustering and Random Forest Based on Historical Data

Sumber : UNESA - Fakultas Teknik - Jurusan S1 Teknik Informatika - 22051204029 - 2026

Jenis Dokumen : Skripsi

Abstrak ID : Perkembangan industri game digital semakin pesat menyebabkan tingginya persaingan antar game dalam mempertahankan popularitasnya. Popularitas suatu game tidak hanya diukur oleh tingginya jumlah pemain dan interaksi pengguna pada suatu waktu, tapi juga oleh kemampuan game dalam mempertahankan keberlangsungan dan pengelolaan dalam jangka panjang. Penelitian ini bertujuan untuk menganalisis tingkat stabilitas popularitas game Roblox menggunakan kombinasi metode K-Means dan Random Forest berdasarkan data hitoris aktivitas game. Dataset yang digunakan terdiri atas 5.985 data game Roblox dengan atribut numerik berupa jumlah suka, pemain aktif, favorit, kunjungan, serta atribut yang dibentuk dari rekayasa fitur yaitu umur game dan jarak pembaruan. Metode K-Means digunakan untuk mengelompokkan data berdasarkan kemiripan karakteristik, sedangkan Random Forest untuk membangun model klasifikasi dalam memprediksi tingkat stabilitas popularitas game. Tahapan penelitian meliputi pra-pemrosessan, rekayasa fitur, transformasi logaritmik, penskalaan menggunakan Robust Scaler, reduksi dimensi dengan Principal Component Analysis (PCA), penerapan K-Means, evaluasi cluster menggunakan Silhouette Index, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI), serta klasifikasi Random Forest. Hasil penelitian menunjukkan bahwa semakin besar jumlah cluster, semakin rinci variasi karakteristik popularitas dan stabilittas game yang dapat direpresentasikan. Skenario akhir menghasilkan 9 kategori yang menggambarkan kombinasi tingkat popularitas dan stabilitas game dengan nilai evaluasi Silhouette sebesar 0.5527, DBI sebesar 0.6473, CHI sebesar 25766.54. Hasil clustering tersebut selanjutnya digunakan sebagai label target pada model Random Forest. Model klasifikasi yang dibangun menunjukkan performa sangat baik dengan nilai akurasi sebesar 0.9875 pada data pengujian. Hasil penelitian menunjukkan bahwa kombinasi K-Means dan Random Forest mampu mengidentifikasi serta mengklasifikasikan kategori stabilitas popularitas game Roblox secara efektif, sehingga dapat menjadi pendukung pengambilan keputusan dalam strategi pengelolaan dan pengembangan game berbasis data historis aktivitas. Kata kunci: Popularitas, Stabilitas, Game Roblox, K-Means, Random Forest, Clustering, Klasifikasi

Abstrak EN : The rapid growth of the digital gaming industry has led to intense competition among games to maintain their popularity. A game’s popularity is measured not only by the hight number of players and user interactions at any given time, but also by the game’s ability to ensure long-term sustainability and management. This study aims to analyze the stability of Roblox game popularity using a combination of the K-Means and Random Forest methods based on historical game activity data. The dataset consists of 5,985 Roblox game records with numeric attributes such as the number of likes, active players, favorites, visits, and attributes derived from feature engineering, namely game age and time since the last update. The K-Means method is used to cluster data based on similarity of characteristics, while Random Forest was used to build a classification model to predict the level of game popularity stability. The research stages included preprocessing, feature engineering, logarithmic transformation, scaling using Robust Scaler, dimension reduction with Principal Component Analysis (PCA), application of K-Means, cluster evaluation using the Silhouette Score, Davies-Bouldin Index (DBI), and the Calinski-Harabasz Index (CHI), as well as classification using RandomForest. The results of the study show that the larger the number of clusters, the more detailed the variations in game popularity and stability that can be represented. The final scenario produced 9 categories describing combinations of game popularity and stability levels, with a Silhouette Index of 0.5527, a DBI of 0.6473, and a CHI of 25766.54. These clustering results were then used as target labels in the Random Forest model. The classification model built demonstrated excellent performance with an accuracy of 0.9875 on the test data. The research results show that the combination of K-Means and Random Forest is capable of effectively identifying and classifying Roblox game popularity and stability categories, thereby supporting decision-making in game management and development strategies based on historical activity data. Keywords: Popularity, Stability, Roblox Games, K-Means, Random Forest, Clustering, Classification.

Link Artikel

File Abstrak

File Lampiran