relation: https://eprints.amikom.ac.id/id/eprint/32271/
title: ANALISIS KUANTITATIF PREDIKSI TINGKAT  KEMENANGAN PEMAIN MAGIC CHESS MENGGUNAKAN  ALGORITMA RANDOM FOREST DAN XGBOOST
creator: Boimau, Apriliano Ernando Benyamin
subject: 000 Ilmu komputer, informasi dan pekerjaan umum
subject: 005 Pemrograman komputer, program dan data
description: Magic Chess Go Go merupakan permainan auto battler dengan tingkat  kompleksitas interaksi variabel dan probabilitas Random Number Generator (RNG)  yang sangat tinggi. Permasalahan utama yang terjadi adalah tingginya elemen acak  tersebut membuat struktur permainan menjadi sangat sulit untuk diprediksi secara  konsisten. Dampak dari permasalahan ini adalah para pemain seringkali hanya  mengandalkan tebakan intuisi semata, yang pada akhirnya menghasilkan pemilihan  taktik yang sangat spekulatif dan tidak terukur. Hal ini mengakibatkan kurangnya  pemahaman sistematis mengenai kombinasi variabel strategis apa saja yang secara  pasti berkontribusi terhadap probabilitas kemenangan pemain di dalam lingkungan  yang kompetitif.   Untuk menyelesaikan permasalahan tersebut, penelitian ini menerapkan  metode analisis kuantitatif guna memprediksi probabilitas kemenangan dengan  membandingkan performa algoritma Random Forest dan XGBoost. Langkah  penyelesaian diawali dengan melakukan pengumpulan data historis pertandingan  secara semi-manual, yang berhasil mengakuisisi 517 dataset dari kompetisi season  4. Tahapan prapemrosesan data mencakup proses pembersihan, pelabelan kelas  biner, dan penerapan encoding. Data tersebut kemudian dibagi menjadi data latih  dan uji dengan rasio 80:20, lalu dioptimasi menggunakan teknik Grid Search.  Kinerja model dievaluasi secara komprehensif menggunakan skenario pengujian  berulang sebanyak 30 kali iterasi berdasarkan metrik Akurasi, Presisi, Recall, dan  F1-Score.   Hasil akhir penelitian secara empiris membuktikan bahwa algoritma  Random Forest tampil lebih optimal dan stabil mengungguli XGBoost, dengan  mencatatkan rata-rata Akurasi sebesar 53,27% dan Presisi 57,12%. Kontribusi  utama dari penelitian ini adalah pembuktian ekstraksi metrik Feature Importance  yang menemukan fakta bahwa pemilihan karakter utama (Commander dan Go Go  Commander) memberikan kontribusi yang paling dominan terhadap probabilitas  kemenangan dibandingkan kombinasi komposisi synergy. Hasil penelitian yang  telah diimplementasikan ke dalam purwarupa aplikasi web ini dapat dimanfaatkan  secara langsung oleh komunitas pemain untuk merancang strategi yang lebih  objektif dan terukur. Sebagai tambahan, penelitian lebih lanjut sangat  direkomendasikan untuk mengintegrasikan data dinamis berbasis time-series per  ronde permainan guna meningkatkan batas maksimal akurasi prediksi ke depannya.
date: 2026-02-19
type: Thesis
type: NonPeerReviewed
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/10/COVER.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/2/BAB%20I.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/3/BAB%20II.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/4/BAB%20III.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/5/BAB%20IV.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/6/BAB%20V.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
format: archive
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/8/Sourcecode%20-%2022.11.4609.zip
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/32271/9/Publikasi.pdf
identifier:   Boimau, Apriliano Ernando Benyamin  (2026) ANALISIS KUANTITATIF PREDIKSI TINGKAT KEMENANGAN PEMAIN MAGIC CHESS MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.