ANALISIS KUANTITATIF PREDIKSI TINGKAT KEMENANGAN PEMAIN MAGIC CHESS MENGGUNAKAN ALGORITMA RANDOM FOREST DAN XGBOOST

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.

	Text (COVER - ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (265kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (819kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (266kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (570kB)
	Text (BAB V) BAB V.pdf - Published Version Download (137kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (279kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4609.zip Restricted to Repository staff only Download (44MB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (703kB)

Abstract

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.

Actions (login required)

View Item