Prediksi jumlah rilis game pada platform Steam dengan menggunakan algoritma K-Nearest Neighbor Regression

INDONESIA:

Peningkatan jumlah game yang rilis pada platform Steam disebabkan karna adanya peningkatan kemajuan teknologi yang pesat. Para pengembang khususnya pengembang indie games mengalami kesulitan dalam menentukan waktu rilis karena harus bersaing dengan game lain yang rilis bersamaan. Tujuan peneliti adalah memprediksi jumlah rilis game pada platform Steam dengan menggunakan K-Nearest Neighbor Regression. Data yang dipakai sebanyak 1826 merupakan data sekunder dari tahun 2018 hingga 2022 yang diunduh dari laman Kaggle.com dan disusun menjadi data time series. Metode yang dilakukan yaitu persiapan data, transformasi data, pemrosesan data dan evaluasi metode yang digunakan. Dengan menerapkan pencarian parameter optimal yaitu penggunaan jumlah variabel input dari 1 hingga 14 variabel, dan KNN Regression dari k=3 hingga k=20 menghasilkan nilai MAD pada tujuh jenis data yaitu: data semua game memiliki nilai 5,64 pada k=19 dan delapan variabel input, data aksi memiliki nilai 2,34; data petualangan 2,46; data kasual 2,23; data simulasi 1,60 dan data RPG 1,64 di mana ke lima data tersebut memiliki parameter yang sama pada k=20 dan 14 variabel input, dan data strategi 1,60 pada k=19 dan 14 variabel input. Berdasarkan nilai MAD terkecil yang diperoleh dapat disimpulkan bahwa penelitian ini dapat digunakan untuk memprediksi jumlah game yang rilis pada platform Steam.

ENGLISH:

The increase in the number of games released on the Steam platform is due to the rapid increase in technological advancements. Developers, especially indie game developers, have difficulty determining the release time because they have to compete with other games released simultaneously. The researcher’s goal was to predict the number of game releases on the Steam platform using K-Nearest Neighbor Regression. The data used as many as 1826 is secondary data from 2018 to 2022 downloaded from the Kaggle.com page and compiled into time series data. The methods carried out are data preparation, data transformation, data processing, and evaluation of the methods used. Applying optimal parameter search, namely the use of the number of input variables from 1 to 14 variables, and KNN Regression from k = 3 to k = 20 produces MAD values in seven types of data as follows: the data of all games has a value of 5,64 at k=19 and eight input variables, action’s data has a value of 2,34; Adventure Data 2,46; casual data 2,23; simulation data 1,60 and RPG data 1,64 where the five data have the same parameters at k = 20 and 14 input variables, and strategy data 1,60 at k = 19 and 14 input variables. Based on the smallest MAD obtained value, it can be concluded that this study can be used to predict the number of games released on the Steam platform.

ARABIC:

ترجع الزيادة في عدد الألعاب التي تم إصدارها على منصة Steam إلى الزيادة السريعة في التقدم التكنولوجي. يواجه المطورون ، وخاصة مطوري الألعاب المستقلة ، صعوبة في تحديد وقت الإصدار لأنه يتعين عليهم التنافس مع الألعاب الأخرى التي تم إصدارها في وقت واحد . و الهدف من هذا الباحث العلمى هو التنبؤ بعدد إصدارات الألعاب على منصة Steam باستخدام انحدار KNN. البيانات المستخدمة حتى عام ١٨٢٦ هي بيانات ثانوية من ٢٠١٨ إلى ٢٠٢٢ تم تنزيلها من صفحة Kaggle.com وتجميعها في بيانات السلاسل الزمنية. الطرق المنفذة هي إعداد البيانات وتحويل البيانات ومعالجة البيانات وتقييم الأساليب المستخدمة. تطبيق البحث الأمثل عن المعلمات ، أي استخدام عدد متغيرات الإدخال من ١ إلى ١٤ متغيرا ، وانحدار KNN من ك=٣ إلى ك=٢٠ ينتج قيم MAD في سبعة أنواع من البيانات على النحو التالي: تحتوي بيانات جميع الألعاب على قيمة MAD تبلغ ٥.٦٤ عند ك=١٩ و تمانية متغيرات إدخال ؛ بيانات العمل ٢.٣٤ ؛ بيانات المغامرة ٢.٤٦ ؛ البيانات غير الرسمية ٢.٢٣ ؛ بيانات المحاكاة ١.٦٠ وبيانات وآر بي جي ١.٦٤ حيث تحتوي جميع البيانات الخمسة على نفس المعلمات عند ك=٢٠ و ١٤ متغير إدخال ؛ وبيانات الإستراتيجية ١.٦٠ عند ك=١٩ و ١٤ متغيرات الإدخال. استنادا إلى أصغر قيمة تم الحصول عليها من MAD ، يمكن استنتاج أنه يمكن استخدام هذه الدراسة للتنبؤ بعدد الألعاب التي تم إصدارها على منصة .Steam