PROGRAM BANTU REKOMENDASI KAMERA MIRRORLESS DENGAN ALGORITMA K-MEANS CLUSTERING

71150134, Hariyadi Prasetyo (2017) PROGRAM BANTU REKOMENDASI KAMERA MIRRORLESS DENGAN ALGORITMA K-MEANS CLUSTERING. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71150134_bab1_bab5_daftarpustaka.pdf Download (8MB)
	Text (Skripsi Informatika) 71150134_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (17MB) | Request a copy

Abstract

Kemajuan teknologi menyebabkan munculnya tren fotografi menggunakan kamera digital yang memberikan kemudahan bagi kalangan pemula sampai kalangan yang lebih serius untuk mendalami fotografi. Saat ini tren kamera digital di dunia sedang mengalami periode transisi di mana kamera Digital Single Lens Reflex (DSLR) sudah mulai ditinggalkan sebagian konsumen dan mereka beralih ke kamera Mirrorless. Banyaknya ragam kamera Mirrorless membuat konsumen mengalami kesulitan dalam menjatuhkan pilihan, apalagi dengan selalu munculnya produk kamera Mirrorless tiap tahunnya dengan teknologi yang lebih canggih. Melalui penelitian ini, peneliti mengembangkan aplikasi yang dapat memberikan rekomendasi untuk memilih kamera Mirrorless sesuai dengan fitur dan genre yang diinginkan dengan menggunakan pendekatan algoritma K-Means Clustering. Pada penelitian ini, fitur kamera dibatasi hanya teknologi AF, Burst/Continuous Shooting, Live Preview, Movie Mode dan genre penggunaan kamera dibatasi hanya Basic, Landscape, Portrait dan Selfie. Berdasarkan hasil penelitian, rekomendasi kamera Mirrorless dengan algoritma K-Means Clustering menghasilkan rekomendasi dengan keakuratan yang rendah, yaitu 31 % tanpa inputan preferensi genre dan 37 % dengan inputan preferensi genre dibandingkan dengan hasil analisis orang yang menjual kamera Mirrorless dan memiliki profesi atau keahlian dalam bidang fotografi. Hal itu disebabkan adanya hasil rekomendasi yang tidak tepat dari penentuan nilai K sebagai jumlah cluster berpengaruh pada sistem dalam memberikan rekomendasi. Diperlukan penentuan nilai K sebagai jumlah cluster yang lebih tepat untuk menghasilkan rekomendasi yang lebih baik.

Actions (login required)

View Item