IOINFORMATICIOINFORMATIC

JUKI : Jurnal Komputer dan InformatikaJUKI : Jurnal Komputer dan Informatika

Perkembangan teknologi dan internet telah meningkatkan popularitas game online seperti Mobile Legends. Namun, dalam kompetisi, pemain seringkali mengalami kekalahan karena berbagai faktor, termasuk keterampilan pemain, strategi tim, dan pemilihan hero yang tepat. Pemilihan hero yang tepat sangat penting untuk meningkatkan peluang kemenangan. Oleh karena itu, Mobile Legends Professional League (MPL) menjadi fokus tim-tim kompetitif di seluruh dunia. Penelitian ini bertujuan untuk mengetahui klasifikasi kemenangan pada pertandingan MPL berdasarkan draft pick. Gaussian Naïve Bayes dan Decision Tree digunakan sebagai model algoritma klasifikasi dalam penelitian ini. Proses dalam penelitian ini meliputi pembersihan data, transformasi data (pelabelan), penanganan data yang tidak seimbang, penskalaan, pemisahan, dan hyperparameter. Tahap evaluasi menggunakan matriks konfusi, data korelasi, dan kurva AU-ROC. Hasil penelitian ini menunjukkan bahwa metode Decision Tree memiliki kinerja yang lebih baik dibandingkan Gaussian Naïve Bayes dalam mengklasifikasikan data menggunakan matriks konfusi. Analisis AUC menunjukkan bahwa pohon keputusan memiliki kinerja yang lebih baik dibandingkan Gaussian naif Bayes dalam memprediksi data positif dan negatif. Hal ini ditunjukkan dengan nilai AUC yang lebih tinggi untuk Decision Tree yaitu sebesar 0,67 dibandingkan dengan Gaussian Naïve Bayes yaitu sebesar 0,48. Model klasifikasi dengan nilai AUC yang lebih tinggi dapat membedakan data positif dan negatif dengan lebih akurat. Pada penelitian ini Decision Tree memiliki nilai AUC yang lebih tinggi dibandingkan Gaussian Naïve Bayes sehingga Decision Tree dapat mengklasifikasikan data kemenangan dan kekalahan dengan lebih akurat.

Penelitian ini menunjukkan potensi penerapan fitur draft pick untuk memprediksi hasil pertandingan Mobile Legends Professional League, meskipun diperlukan penelitian lebih lanjut untuk meningkatkan performa model dan mempertimbangkan faktor-faktor lain yang memengaruhi hasil pertandingan.Hasil eksperimen menunjukkan bahwa Decision Tree mengungguli Gaussian Naïve Bayes dengan akurasi 0.Decision Tree mampu menggambarkan hubungan kompleks antara variabel dan hasil, serta menangani variasi distribusi data yang lebih adaptif.

Penelitian lanjutan dapat difokuskan pada pengembangan model prediksi yang lebih komprehensif dengan mempertimbangkan faktor-faktor di luar draft pick, seperti statistik pemain individu, performa tim dalam pertandingan sebelumnya, dan strategi meta yang sedang berlaku. Selain itu, eksplorasi penggunaan teknik pembelajaran mendalam (deep learning) seperti jaringan saraf tiruan (neural networks) dapat meningkatkan akurasi prediksi dengan menangkap pola-pola kompleks dalam data. Untuk memperluas cakupan penelitian, analisis dapat diperluas ke berbagai region dan tingkatan kompetisi Mobile Legends, termasuk turnamen amatir dan profesional, untuk mengidentifikasi perbedaan pola kemenangan dan efektivitas strategi di berbagai level permainan. Terakhir, pengembangan sistem rekomendasi hero yang dipersonalisasi berdasarkan preferensi pemain dan gaya bermain dapat membantu pemain meningkatkan peluang kemenangan mereka.

  1. PENANGANAN IMBALANCE DATA PADA KLASIFIKASI KEMUNGKINAN PENYAKIT STROKE | Jurnal Sains, Nalar, dan Aplikasi... doi.org/10.20885/snati.v1i1.2PENANGANAN IMBALANCE DATA PADA KLASIFIKASI KEMUNGKINAN PENYAKIT STROKE Jurnal Sains Nalar dan Aplikasi doi 10 20885 snati v1i1 2
  2. Penggunaan Metode Naïve Bayes untuk Memprediksi Tingkat Kemenangan pada Game Mobile Legends... doi.org/10.32493/jtsi.v4i1.7807Penggunaan Metode NayEAve Bayes untuk Memprediksi Tingkat Kemenangan pada Game Mobile Legends doi 10 32493 jtsi v4i1 7807
Read online
File size645.28 KB
Pages17
DMCAReport

Related /

ads-block-test