ANALISA CLUSTER APLIKASI PADA APP STORE DENGAN MENGGUNAKAN METODE K-MEANS

Sofian Wira Hadi, Muhammad Fahmi Julianto, Syaifur Rahmatullah, Windu Gata

Abstract


Bagi para pengguna iphone, salah satu tempat untuk mengunduh ratusan ribu aplikasi android adalah App Store. Aplikasi-aplikasi iOS di bagi menjadi ketegori-ketegori yang unik. Di dalam aplikasi iOS ini terdapat aplikasi-aplikasi yang berbayar dan gratis. Dengan kategori tersebut pengguna bisa dengan mudah mencari aplikasi yang dibutuhkannya. Pada penelitian ini kami menggunakan metode K-Means untuk melihat ciri-ciri dari atribut yang ada. Dataset App Store diambil dari website resmi kaggle. Tujuan dari penelitian ini adalah untuk menganalisa hasil cluster dari K-Means. Hasil dari penelitian adalah adanya sebuah cluster yang memiliki ciri-ciri aplikasi yang ideal, yaitu nilai user rating tinggi, harga yang cukup lumayan dan memiliki ukuran aplikasi yang rendah.

 


Full Text:

PDF

References


Abdurrahman, G. (2016). Clustering Data Ujian Tengah Semester ( UTS ) Data Mining Menggunakan Algoritma K-Means. Jurnal Sistem Dan Teknologi Informasi Indonesia, 2(1), 71–79. https://doi.org/10.32528/justindo.v1i2.566

Bozanta, A., & Co, M. (2018). K-Means vs . Fuzzy C-Means : A Comparative Analysis of Two Popular Clustering Techniques on the Featured Mobile Applications Benchmark.

Effendi, J., & M Jorgi, R. (2018). Analisis Cluster Aplikasi pada Google play Store dengan Menggunakan Metode K-Mean. 4(1), 978–979.

Febrianti, F., Hafiyusholeh, M., & Asyhar, A. H. (2016). Perbandingan Pengklusteran Data Iris Menggunakan Metode K-Means Dan Fuzzy C-Means. Jurnal Matematika “MANTIK,” 2(1), 7. https://doi.org/10.15642/mantik.2016.2.1.7-13

Man, Y., Gao, C., Lyu, M. R., & Jiang, J. (2016). Experience Report: Understanding Cross-Platform App Issues from User Reviews. Proceedings - International Symposium on Software Reliability Engineering, ISSRE, 138–149. https://doi.org/10.1109/ISSRE.2016.27

Martin, W., Sarro, F., Jia, Y., Zhang, Y., & Harman, M. (2017). A survey of app store analysis for software engineering. IEEE Transactions on Software Engineering, 43(9), 817–847. https://doi.org/10.1109/TSE.2016.2630689

Putra, R. R., & Wadisman, C. (2018). Implementasi Data Mining Pemilihan Pelanggan Potensial Menggunakan Algoritam K-Means Alghorithm. 1, 72–77.

Sandi, T. A. A., Raharjo, M., Putra, J. L., & Ridwan, R. (2018). Clustering Kesetiaan Pelanggan Dengan Model Rfm (Recency, Frequency, Monetary) Dan K-Means. Jurnal Pilar Nusa Mandiri, 14(2), 239. https://doi.org/10.33480/pilar.v14i2.950

Sangani, C., & Ananthanarayanan, S. (2013). Sentiment Analysis of App Store Reviews. Technical Report, Stanford University., 1–5. http://cs229.stanford.edu/proj2013/CS229-ProjectReport-ChiragSangani-SentimentAnalysisOfAppStoreReviews.pdf

Setiawan, R. (2016). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru ( Studi Kasus : Politeknik Lp3i Jakarta ). J. Lentera Ict, 3(1), 76–92.

Yudi Agusta. (2007). K-Means – Penerapan, Permasalahan dan Metode Terkait. Jurnal Sistem Dan Informatika, 3(Februari)




DOI: https://doi.org/10.31294/bi.v8i2.8191

DOI (PDF): https://doi.org/10.31294/bi.v8i2.8191.g4425

ISSN2338-9761 (media online), 2338-8145 (media cetak)

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License