Penerapan Algoritma K-Means dan K-Medians Untuk Penentuan Role Hero Yang Cocok Bagi Pemain Mobile Legend

  • Kode Repository : SKI /AND/20
  • NPM : 065116047
  • Nama : Andre Jan Febry
  • Pembimbing 1 : -Dr. Prihastuti Harsani, M.Si
  • Pembimbing 2 : -Aries Maesya M.Kom
  • Abstrak : -PENERAPAN ALGORITMA K-MEANS DAN K-MEDIANS UNTUK PENENTUAN ROLE HERO YANG COCOK BAGI PEMAIN MOBILE LEGEND Andre Jan Febry1), Prihastuti Harsani2), Aries Maesya3) Program Studi Ilmu Komputer, FMIPA, Universitas Pakuan, Bogor, Indonesia Email : andrejanfebry17@gmail.com Abstrak Game Mobile Legend merupakan permainan bersifat real time dimainkan dengan kerjasama tim. Pada game ini terdapat 6 role hero yaitu Tank, Support, Fighter, Assassin, Mage dan Marksman. Pada penelitian ini akan dicari mana role hero yang cocok bagi pemain Mobile Legend dengan menggunakan teknologi data mining, salah satunya adalah dengan tehnik clustering. K-Means dan K-Medians merupakan metode yang dapat mengelompokkan data berdasarkan karakteristiknya, sehingga data yang berada dalam cluster memiliki tingkat variasi yang kecil. Implementasi pada penelitian ini menggunakan bahasa pemograman Python. Hasil clustering yang didapatkan pada penelitian ini ditunjukkan untuk merekomendasikan hero mana yang paling digunakan oleh pemain. Berdasarkan clustering yang telah dilakukan menunjukan bahwa dari total 566 data dengan jumlah 6 cluster pada algoritma K-Means yaitu rekomendasi role hero Tank 102 data, Support 86 data, Fighter 132 data, Assassin 99 data, Mage 86 data, dan Marksman 61 data, kemudian rekomendasi role hero pada algoritma K-Medians yaitu Tank 78 data, Support 76 data, Fighter 72 data, Assassin 161 data, Mage 110 data, dan Marksman 69 data. Hasil evaluasi cluster yang telah didapatkan menggunakan metode Davies Bouldin Index menunjukkan bahwa pada algoritma K-Means semakin sedikit jumlah cluster yang digunakan hasil clustering yang diperoleh semakin optimal. Pada algoritma K-Medians hasil clustering yang lebih optimal terdapat pada jumlah 4 cluster. Berdasarkan hasil evaluasi yang telah didapatkan dapat disimpulkan bahwa algoritma KMeans memiliki hasil clustering lebih optimal daripada algoritma K-Medians dalam penentuan role hero yang cocok bagi pemain Mobile Legend. Kata Kunci : K-Means, K-Medians, clustering, Mobile Legend, hero.
  • Program Studi : Ilmu Komputer