Rekomendasi Pengambilan Tindakan Dalam Menjual Barang Menggunakan Metode K-means Clustering (studi Kasus Permainan Warframe)

Abstract

Abstrak
Warframe merupakan permainan daring gratis dengan sistem perdagangan item permainan yang
memungkinkan pemain melakukan transaksi dengan pemain lain. Ketika menjual item permainan,
pemain harus mencari nilai item untuk menentukan tindakan yang menghasilkan keuntungan paling
besar. Akan tetapi nilai item terus berubah sesuai dengan kondisi pasar, sehingga pencarian nilai dan
penentuan tindakan yang paling menguntungkan sulit dilakukan. Saat ini pemain mencari nilai item
secara manual dengan membandingkan atau memperkirakan nilainya sehingga keuntungan yang
didapatkan kurang maksimal. Oleh sebab itu penelitian ini dilakukan untuk membuat sistem yang
memberikan rekomendasi tindakan ketika menjual item yang diharapkan dapat membantu pemain
dalam menentukan tindakan terhadap item dan mendapat keuntungan yang mungkin paling besar.
Rekomendasi tindakan diambil berdasarkan hasil pengelompokan menggunakan metode K-Means,
ekstraksi dataset penelitian dari situs web menggunakan teknik web scraping, dan data editing untuk
mengolah data sebelum proses pengelompokan. Pada penelitian ini dilakukan beberapa pengujian dengan
memodifikasi jarak hari data latih dan jarak tren harga untuk mendapatkan model yang paling akurat.
Proses pengujian menggunakan data dua hari untuk jarak data latih dan sembilan hari untuk tren harga
memberikan hasil dengan akurasi terbaik yaitu 89,59108% dengan silhouette coefficient 0,386854. Hasil
menunjukkan bahwa metode pengelompokan k-means memberikan rekomendasi tindakan yang cukup
akurat menggunakan data statistik penjualan.

Kata kunci: rekomendasi, web scraping, pengelompokan, data editing, k-means, silhouette analyst

Abstract
Warframe is a free online game with in-game item trading system that allows players to make
transactions with other players. When selling in-game items, players must find the value of the item to
determine the action that gives the highest profit. However, the value of items keeps changing according to
market conditions, so finding the value and determining the most beneficial actions is difficult to do.
Today, players search for item values manually by comparing or estimating items values so that the
benefits obtained are not maximal. Therefore this research was conducted to create a system that provides
recommendations for actions when selling items that are expected to help players determine the action of
the item and get the greatest possible profit. Recommended actions are taken based on the results of
grouping using the K-Means method, extraction of research datasets from websites using web scraping
techniques, and data editing to process data before the grouping process. In this research, several tests
were carried out by modifying the distance of the training data day and the distance of the price trend to
get the most accurate model. The testing process uses two days of data for days and nine days for price
trends to provide results with the best accuracy, namely 89.59108% with silhouette coefficient 0.386854. T
The results show that the k-means grouping method provides recommendations for actions that are quite
accurate using sales statistics.

Keyword: recommendation, web scraping, clustering, data editing, k-means, silhouette analyst