Implementasi Metode Improved K-Means Dengan Algoritma Dbscan Untuk Pengelompokan Film

Abstract

Industri perfilman Indonesia terus mengalami peningkatan dilihat dari banyaknya film-film yang muncul di bioskop saat ini dengan peningkatan box office sebesar 28 persen setiap tahun nya dalam kurun waktu empat tahun terakhir. Salah satu media yang digunakan untuk mendistribusikan film adalah internet. Informasi-informasi mengenai film seperti tema, genre, aktor, rating, sutradara, dll dapat ditemukan dengan mudah melalui internet. Beberapa sumber informasi untuk film adalah IMDb, Netflix, TMDb, dan Rotten tomatoes. Internet Movie Database (IMDb) adalah situs web yang menyediakan informasi mengenai film dari seluruh dunia, termasuk orang-orang yang terlibat di dalamnya mulai dari aktor/aktris, sutradara, penulis sampai penata rias dan soundtrack. IMDb merupakan sumber informasi paling populer dan terpercaya baik untuk film, TV, dan konten selebritas lain. Dalam hal ini peneliti ingin melakukan penelitian mengenai karakteristik film dan faktor yang membuat sebuah film dapat masuk dalam IMDb Top 250. Data yang digunakan pada penelitian ini menggunakan data hasil scraping dari website. Metode yang digunakan adalah metode pengelompokan cluster non-hierarki, yaitu kmeans dan Dbscan. Dimana algoritma Dbscan digunakan untuk menentukan jumlah cluster optimum kemudian dilanjutkan dengan mengelompokkan data berdasarkan centroid dengan algoritma k-means. Dari hasil analisis diperoleh bahwa faktor yang dapat memengaruhi suatu film masuk dalam IMDB Top 250 adalah durasi, jumlah votes, dan film yang disutradarai oleh Rajkumar Hirani dan untuk jumlah cluster optimal menggunakan algoritma Dbscan diperoleh sebanyak enam cluster, diperoleh 3 film untuk cluster 1, 5 film untuk cluster 2, 9 film untuk cluster 3, dan berturut-turut pada cluster 4, 5, dan 6 adalah sebanyak 7, 223, dan 3 film. Dengan algoritma improved k-means didapatkan nilai akurasi untuk hasil cluster sebesar 87.2%.