PREDIKSI HASIL PERTANDINGAN MOBILE LEGENDS MENGGUNAKAN ALGORITMA DECISION TREE

Apiliawan, Valen Achmad (2025) PREDIKSI HASIL PERTANDINGAN MOBILE LEGENDS MENGGUNAKAN ALGORITMA DECISION TREE. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (184kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (370kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (226kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (898kB)
	Text (BAB V) BAB V.pdf Download (39kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (132kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4370.zip Restricted to Repository staff only Download (853kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (692kB)

Abstract

Mobile Legends merupakan permainan (MOBA) yang sangat populer dan memiliki jumlah pemain yang sangat besar. Hasil dari pertandingan dalam permainan sangat dipengaruhi oleh banyak faktor, seperti keterampilan pemain, strategi yang digunakan, pemilihan hero, serta kerja sama tim. Oleh karena itu, penting untuk mengembangkan model prediksi yang dapat memberikan gambaran kemungkinan hasil pertandingan berdasarkan data yang tersedia. Penelitian ini bertujuan untuk membangun model prediksi hasil pertandingan menggunakan algoritma Decision Tree, yang merupakan salah satu algoritma dalam machine learning yang cocok untuk klasifikasi. Data yang digunakan dalam penelitian ini meliputi berbagai variabel seperti hero yang dipilih oleh pemain, presentase kemenangan rata-rata masing-masing tim, dan jumlah pertandingan yang sudah dimainkan oleh masing-masing tim yang dapat mempengaruhi hasil pertandingan. Langkah-langkah penelitian meliputi prapemrosesan data, seleksi fitur dengan Chi-Square dan RFE, serta tuning hyperparameter menggunakan GridSearchCV. Evaluasi dilakukan dengan cross-validation 5 fold untuk mengukur akurasi dan recall. Hasil penelitian menunjukkan pendekatan tanpa menggunakan fitur ekstraksi dan seleksi fitur menghasilkan akurasi tertinggi sebesar 98% dengan cross-validation 95,50%, lebih baik dibandingkan berbagai pendekatan penelitian yang sudah dilakukan. Hal ini membuktikan, model tanpa ekstraksi dan seleksi fitur lebih mampu mengenali pola data dan menghasilkan prediksi yang lebih akurat. Dengan demikian, penelitian ini diharapkan dapat memberikan wawasan lebih dalam mengenai penerapan algoritma Decision Tree pada masalah prediksi dalam bidang game, khususnya dalam permainan Mobile Legends.

Actions (login required)

View Item