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.