PENGGUNAAN ALGORITMA GAUSSIAN NAÏVE BAYES & DECISION TREE UNTUK KLASIFIKASI TINGKAT KEMENANGAN PADA GAME MOBILE LEGENDS
Perkembangan teknologi dan internet membuat popularitas game online seperti Mobile Legends semakin meningkat. Namun dalam kompetisi seringkali pemain mengalami kekalahan karena berbagai faktor, antara lain skill 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 confusion. Analisis AUC (area under the receiver operating character curve) menunjukkan bahwa Decision Tree memiliki kinerja yang lebih baik dibandingkan Gaussian Naïve Bayes dalam memprediksi data positif dan negatif. Hal ini ditunjukkan dengan nilai AUC yang lebih tinggi pada 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 mempunyai nilai AUC yang lebih tinggi dibandingkan dengan Gaussian Naïve Bayes sehingga Decision Tree dapat mengklasifikasikan data kemenangan dan kekalahan dengan lebih akurat.
URI
https://repo.itera.ac.id/depan/submission/SB2401220056
Keyword
Mobile Legends Classification Gaussian Naïve Bayes Decision Tree Draft Pick