Mukmin, Charis Saida (2024) Prediksi hasil pertandingan mobile legends berdasarkan kondisi dalam game menggunakan model deep learning / Charis Saida Mukmin</p>. Diploma thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
p Permainan Mobile Legends adalah salah satu permainan Multiplayer Online Battle Arena (MOBA) yang sangat populer di mana strategi tim dan kombinasi hero sangat berpengaruh terhadap hasil pertandingan. Salah satu game bergenre MOBA yang populer di kalangan masyarakat adalah game Mobile Legend. Secara kompetitif pemain dan tim game ini selalu berusaha untuk meningkatkan kinerja mereka melalui analisis mendalam terhadap pertandingan sebelumnya memahami kecenderungan lawan dan merencanakan strategi yang tepat. Namun kebanyakan pemain mengeluh karena ranked match mereka terus menurun akibat dari kekalahan dalam permainan. Berdasarkan permasalahan ini penelitian ini bertujuan untuk memprediksi hasil pertandingan Mobile Legend berdasarkan kondisi dalam permainan untuk membantu pemain dan tim dalam mengambil keputusan yang lebih baik dalam pertandingan. Tahapan prediksi hasil pertandingan dibagi menjadi 5 tahapan penelitian yang terdiri dari pengumpulan data analisis data pre-processing data processing data dan evaluasi hasil. Data pertandingan Mobile Legends dikumpulkan dari streamer acak terutama yang berbendera Indonesia meliputi durasi pertandingan jumlah kill yang dicapai oleh masing-masing tim dan komposisi hero yang dipilih. Tahap pre-processing yang dilakukan meliputi attribute selection attribute conversion (nominal to binominal) dan set role. Model prediksi yang digunakan adalah deep learning yang menggunakan teknik-teknik jaringan saraf tiruan (neural networks) untuk memprediksi hasil pertandingan. Model ini diharapkan dapat membantu pemain dan tim dalam mengambil keputusan yang lebih baik dalam permainan seperti menentukan strategi yang lebih efektif berdasarkan situasi yang ada. Evaluasi hasil prediksi menggunakan metrik akurasi presisi recall dan F1-Score. Hasil penelitian menunjukkan bahwa algoritma Deep Learning menghasilkan nilai akurasi 89 62% presisi 91 68% recall 93 13% dan F1-Score 92 34%. Hasil tersebut didapatkan dengan menggunakan parameter fungsi aktivasi rectifier yang memiliki kinerja paling baik. Berdasarkan hasil tersebut dapat disimpulkan bahwa penggunaan algoritma Deep Learning dan fungsi aktivasi rectifier dapat meningkatkan kinerja model prediksi menjadi lebih baik. /p
| Item Type: | Thesis (Diploma) |
|---|---|
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika |
| Depositing User: | library UM |
| Date Deposited: | 13 Jun 2024 04:29 |
| Last Modified: | 09 Sep 2024 03:00 |
| URI: | http://repository.um.ac.id/id/eprint/358003 |
Actions (login required)
 |
View Item |