// <![CDATA[PENGEMBANGAN SISTEM REKOMENDASI GAME DENGAN PENDEKATAN CONTENT-BASED FILTERING DAN METODE K-MEANS CLUSTERING]]> 120160503 - Nur Fitrianti Fahrudin, S.Kom., M.T. Dosen Pembimbing 1 NICHOLAS RYAN GUNAWAN / 162021037 Penulis
Pertumbuhan pesat platform distribusi game digital seperti Steam membuat pengguna semakin sulit menemukan game yang sesuai dengan preferensi dan minat mereka. Penelitian ini bertujuan mengembangkan sistem rekomendasi berbasis konten untuk game Steam dengan memanfaatkan TF-IDF, BERT, dan KMeans Clustering untuk menghasilkan rekomendasi yang lebih akurat. Tiga skema rekomendasi dievaluasi: model tiga variabel (Categories, Genres, dan Tags), model berbasis About-the-Game saja, dan model teks hibrid, dengan Mean Average Precision (MAP) dan Normalized Discounted Cumulative Gain (NDCG) sebagai metrik evaluasi. Hasil eksperimen menunjukkan bahwa model tiga variabel memberikan performa terbaik dengan NDCG sebesar 0,88 dan MAP sebesar 0,71. Sebaliknya, model About-the-Game saja menunjukkan performa terendah dengan NDCG sebesar 0,73 dan MAP sebesar 0,61 yang menunjukkan bahwa informasi deskripsi game saja tidak cukup untuk menghasilkan rekomendasi yang relevan. Penelitian selanjutnya disarankan untuk fokus pada optimasi representasi TF-IDF dan BERT, peningkatan proses pra-pemrosesan teks, penambahan fitur tambahan seperti rating pengguna, komentar, atau metadata lain, serta eksplorasi metode hibrid yang menggabungkan penyaringan berbasis konten dan kolaboratif, sehingga sistem rekomendasi dapat lebih tepat dan sesuai dengan preferensi pengguna The rapid growth of digital game distribution platforms such as Steam has made it increasingly difficult for users to find games that match their preferences and interests. This study aims to develop a content-based recommendation system for Steam games by leveraging TF-IDF, BERT, and K-Means Clustering to generate more accurate recommendations. Three recommendation schemes were evaluated: a three-variable model (Categories, Genres, and Tags), an About-the-Game-only model, and a hybrid textual model, using Mean Average Precision (MAP) and Normalized Discounted Cumulative Gain (NDCG) as evaluation metrics. Experimental results show that the three-variable model achieved the best performance with an NDCG of 0.88 and a MAP of 0.71. In contrast, the Aboutthe- Game-only model exhibited the lowest performance with an NDCG of 0.73 and a MAP of 0.61, indicating that game description information alone is insufficient to generate relevant recommendations. Future research is recommended to focus on optimizing TF-IDF and BERT representations, improving text preprocessing, adding additional features such as user ratings, comments, or other metadata, and exploring hybrid methods that combine content-based and collaborative filtering, enabling the recommendation system to provide more accurate suggestions aligned with user preferences.