AA Reduksi Dimensi Dalam Identifikasi Faktor Utama dalam Hubungan Bermain Game dan Prestasi Akademik dengan K-Means dan PCA
DOI:
https://doi.org/10.53513/jursi.v4i3.10913Keywords:
Reduksi Dimensi, PCA, K-Means, Bermain Game, Prestasi Akademik, Principal Component AnalysisAbstract
Kebiasaan bermain game telah menjadi bagian dari kehidupan sehari-hari siswa dan diduga memiliki hubungan dengan prestasi akademik mereka. Studi ini bertujuan untuk mengidentifikasi faktor utama yang mempengaruhi hubungan antara kebiasaan bermain game dan nilai akademik dengan menggunakan teknik reduksi dimensi Principal Component Analysis (PCA) serta metode clustering K-Means. Penelitian ini menggunakan metode Principal Component Analysis (PCA) untuk reduksi dimensi dan K-Means Clustering untuk mengelompokkan data guna mengidentifikasi faktor utama yang mempengaruhi hubungan antara kedua variabel tersebut. Hasil analisis PCA menunjukkan bahwa komponen utama pertama (PC1) sebesar 37,29% mencerminkan faktor dominan dalam hubungan bermain game dan prestasi akademik, komponen kedua (PC2) sebesar 23,06% menggambarkan faktor tambahan yang masih memiliki pengaruh signifikan, dan komponen ketiga (PC3) sebesar 12,41% tetap berkontribusi terhadap variabilitas data. Selanjutnya, hasil clustering menunjukkan adanya tiga klaster utama, yaitu Klaster 0 (287 siswa), Klaster 1 (256 siswa), dan Klaster 2 (226 siswa). Visualisasi hasil clustering dalam ruang PCA menunjukkan distribusi yang jelas antar klaster, yang mengindikasikan adanya pola tertentu dalam hubungan antara bermain game dan prestasi akademik. Kesimpulan dari penelitian ini menunjukkan bahwa bermain game memiliki hubungan dengan prestasi akademik yang dapat diidentifikasi melalui teknik reduksi dimensi dan clustering, sehingga dapat menjadi dasar dalam pengambilan keputusan terkait kebijakan pendidikan dan pengelolaan aktivitas bermain game bagi siswa.References
A. Asmara, L. Judijanto, I. P. A. D. Hita, and K. Saddhono, “Media Pembelajaran Berbasis Teknologi: Apakah Memiliki Pengaruh terhadap Peningkatan Kreativitas pada Anak Usia Dini?,” J. Obs. J. Pendidik. Anak Usia Dini, vol. 7, no. 6, pp. 7253–7261, 2023.
D. A. N. Interaksi, S. Siswa, and S. Dasar, “3 1,2,3,” vol. 10, 2025.
S. Daulay and R. Wandri, “Integrating K - Means Clustering and K - Nearest Neighbor Classification for Effective Scholarship Recipient Selection,” vol. 14, pp. 235–248, 2025.
T. D. Soesilo, Y. Windrawanto, and F. Kristin, “Penerapan Model Problem Based Learning dan Penggunaan Board Game Career Racing Dalam Peningkatan Kematangan Karier Peserta Didik,” pp. 93–100, 2021.
I. Permatasari, B. P. Hakim, and F. Achmad, “Pendekatan K-Means Clustering untuk Evaluasi Kinerja Mahasiswa dalam Sistem Project-Based Learning Berdasarkan Motivasi dan Kemampuan Pemecahan Masalah,” vol. 16, no. 1, pp. 16–24, 2025.
S. A. Syuhada, S. H. Hasanah, and P. S. Statistika, “Analisis faktor-faktor yang mempengaruhi tingkat pengangguran di indonesia dengan pendekatan principal component analysis (pca) dan analysis profile,” vol. 2, no. 1, pp. 1134–1150, 2025.
P. P. Jenis and B. Apel, “IMPLEMENTASI MECHINE LEARNING PADA HYBRID INTELLIGENCE SISTEM MENGUNAKAN METODE,” vol. 4307, no. 1, pp. 685–690, 2025.
R. Oktavianoor, J. D. Dalam, and S. Airlangga, “Kesenjangan Digital Akibat Kondisi Demografis di Kalangan Masyarakat Rural Digital Gap caused by Demographic Condition among Rural Society,” N. J. Inf. Libr. Sci., vol. 11, no. 1, pp. 9–57, 2020.
S. Feby, A. Muqtadiroh, S. Kom, and A. Herdiyanti, “Analysis Of Factors That Affecting User Continuance Intention Of E-Learning On Lecturer Perspective (Case Study: Share ITS),” 2016.
E. I. Wati et al., “Pengembangan Media Mobile Learning,” vol. 1, no. May, pp. 291–304, 2017.
A. Sauddin and N. S. Ramadhani, “Analisis pengaruh keterampilan mengajar, emosi mahasiswa, tekanan akademik dan,” J. Msa, vol. 6, no. 1, pp. 6–12, 2018.
B. Kognitif, S. Pada, M. Biografi, and K. Rasyidin, “Penerapan Media Leaflet Berbasis ICT Untuk Meningkatkan Minat Dan Hasil Belajar Kognitif Siswa Pada Materi Biografi Khulafaur Rasyidin,” vol. 2, pp. 189–200, 2022.
S. D. I. Kelas, “1 , 2 , 3 1,” vol. 10, 2025.
K. S. Arlandy et al., “Mengoptimalkan Kinerja Naïve Bayes Pada Ancaman Modern Dengan Menggunakan PCA Pada Data Intrusion Detection System (IDS),” vol. 8, no. 1, 2025.
M. Mahda, R. Kurniawan, and T. Suprapti, “Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Optimalisasi Algoritma K-Means untuk Analisis pengelompokan Data Jurusan Siswa Baru Berbasis Numerical Measure Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD,” vol. 8, pp. 25–35, 2025.
M. Abualkibash, “Machine Learning in Network Security Using KNIME Analytics,” Int. J. Netw. Secur. Its Appl., vol. 11, no. 5, pp. 1–14, 2019.
T. L. Nikmah, N. H. S. Harahap, G. C. Utami, and M. M. Razzaq, “Customer Segmentation Based on Loyalty Level Using K-Means and LRFM Feature Selection in Retail Online Store,” J. ELTIKOM, vol. 7, no. 1, pp. 21–28, Jun. 2023.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
This work is licensed under a Creative Commons Attribution 4.0 International License.
