Muhaimi, Chairil and Suliyanti, Widya Nita (2026) PENERAPAN ALGORIMA K-NEAREST NEIGBOR (KNN) UNTUK KLASIFIKASI TINGKAT KECANDUAN BERMAIN MOBILE LEGEND BANG BANG BERDASARKAN KELOMPOK USIA. Diploma thesis, Institut Teknologi PLN.
Cover.pdf
Download (211kB)
Pengesahan.pdf
Download (319kB)
Abstrak.pdf
Download (238kB)
Bab 1.pdf
Download (266kB)
Bab 2.pdf
Download (489kB)
Bab 3.pdf
Restricted to Registered users only
Download (554kB)
Bab 4.pdf
Restricted to Registered users only
Download (1MB)
Bab 5.pdf
Restricted to Registered users only
Download (198kB)
Daftar Pustaka.pdf
Download (245kB)
202031078_CHAIRIL MUHAIMI_REVISI_SKRIPSI.pdf
Restricted to Registered users only
Download (5MB)
Abstract
Aktivitas bermain game menjadi salah satu bentuk hiburan yang banyak di lakukan oleh berbagai kelompok sia.penggunaan game secara berlebihan dapat menyebabkan kecanduan
yang di tandai dengan tingginya intensitas bermain,durasi,frekuensi,serta perilaku terkait
aktivitas bermain game penelitian ini bertujuan untuk menerapkan algoritma K-nearest neighbors (KNN) dalam mengklasifikasikan Tingkat kecanduan bermain game mobile legend bang-bang berdasarkan kelompok usia. ata penelitian diperoleh melalui kuesioner yang terdiri dari 21 butir pertanyaan dengan skala Likert 1 sampai 5. Data jawaban responden dikonversi ke dalam bentuk numerik dan diklasifikasikan ke dalam tiga kategori tingkat kecanduan, yaitu rendah, sedang, dan tinggi. Proses klasifikasi dilakukan dengan menggunakan perhitungan Euclidean Distance terhadap titik acuan kategori rendah, sedang, dan tinggi. Hasil evaluasi menunjukkan nilai accuracy sebesar 84,75% dengan tingkat error sebesar 15,25%. Hasil tersebut menunjukkan bahwa algoritma KNN dapat digunakan untuk mengklasifikasikan tingkat kecanduan bermain Mobile Legends: Bang Bang berdasarkan data perilaku bermain dan kelompok usia.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | K-Nearest Neighbors,Mobile legend bang-bang,kecanduan game,klasifikasi |
| Subjects: | Bidang Keilmuan > Algoritma Bidang Keilmuan > Artificial Intelligent Bidang Keilmuan > Classification Bidang Keilmuan > Clustering Analysis Bidang Keilmuan > Computer Science Bidang Keilmuan > Convolutional System Bidang Keilmuan > Data Clustering Bidang Keilmuan > Data Science Bidang Keilmuan > Decision Making Bidang Keilmuan > Deep learning Bidang Keilmuan > Machine Learning Bidang Keilmuan > Maintenance Skripsi Bidang Keilmuan > Teknik Informatika Bidang Keilmuan > Information Technology |
| Divisions: | Fakultas Telematika Energi > S1 Teknik Informatika |
| Depositing User: | FAKULTAS TELEMATIKA ENERGI |
| Date Deposited: | 04 Sep 2026 07:43 |
| Last Modified: | 17 Sep 2026 01:58 |
| URI: | https://repository.itpln.ac.id/id/eprint/7992 |
