IMPLEMENTASI METODE CONTENT-BASED FILTERING UNTUK REKOMENDASI GAME KOOPERATIF DI STEAM

Kandowangko, Meidi Yulian and Adrian, Angelia Melani and Sumampouw, Michael Goerge (2025) IMPLEMENTASI METODE CONTENT-BASED FILTERING UNTUK REKOMENDASI GAME KOOPERATIF DI STEAM. Skripsi thesis, UNIVERSITAS KATOLIK DE LA SALLE MANADO.

	PDF COVER-LEMBAR_PENGESAHAN_MeidiKandowangko.pdf Download (425kB)
	PDF ABSTRAK_MeidiKandowangko.pdf Download (22kB)
	PDF KATA_PENGANTAR-DAFTAR_ISI_MeidiKandowangko.pdf Download (137kB)
	PDF BAB_I_MeidiKandowangko.pdf Download (34kB)
	PDF BAB_II-LAMPIRAN_MeidiKandowangko.pdf Restricted to Repository staff only Download (4MB)

Official URL: https://digilib.unikadelasalle.ac.id/

Abstract

Game kooperatif (Co-Op) adalah jenis permainan yang dirancang untuk dimainkan oleh beberapa pemain secara bersama-sama dalam satu tim dengan tujuan yang sama. Jenis game ini disukai karena kemampuannya untuk membangun kerja sama tim dan meningkatkan interaksi sosial. Namun, dengan banyaknya pilihan game di platform distribusi digital seperti Steam, pengguna sering mengalami kesulitan dalam menemukan game kooperatif yang sesuai dengan preferensi mereka dan teman bermainnya.
Penelitian ini mengembangkan sistem rekomendasi game kooperatif di Steam menggunakan metode Content-Based Filtering. Sistem ini dirancang untuk membantu pengguna memilih game berdasarkan metadata seperti deskripsi, genre, kategori, dan tag yang tersedia di dataset game. TF-IDF digunakan untuk menghitung bobot fitur pada metadata game, sedangkan Cosine Similarity diterapkan untuk mengukur tingkat kesamaan antara profil pengguna dan game yang tersedia.
Dataset yang digunakan dalam penelitian ini diambil dari Steam Games Dataset yang tersedia di Kaggle. Dari total 97.410 entri, data yang relevan dengan kategori game kooperatif difilter menjadi 7.557 entri setelah proses pembersihan dan ekstraksi fitur. Sistem rekomendasi ini diuji menggunakan metrik Precision dan Mean Reciprocal Rank (MRR) untuk mengukur relevansi hasil rekomendasi.
Hasil pengujian menunjukkan bahwa sistem memiliki tingkat presisi sebesar 70% dan nilai MRR sebesar 83.3%. Dengan implementasi metode Content-Based Filtering, sistem ini dapat membantu pemain menemukan game kooperatif berdasarkan preferensi mereka.

Kata Kunci: Content-Based Filtering, Game, Kooperatif, Steam, Sistem Rekomendasi, TF-IDF, Cosine Similarity

Item Type:

Thesis (Skripsi)

Creators: