Implementasi Metode Random Forest Untuk Memprediksi Survive Time Pemain Pubg Mobile Menggunakan Framework Flask
Abstract
Perkembangan teknologi pada saat ini terjadi sangat pesat yang membawa
banyak perubahan dan pengaruh dalam kehidupan manusia. Salah satunya yaitu
sektor hiburan yang mengalami perkembangan dari masa ke masa berupa audio,
visual, maupun audio visual sehingga para pengguna dapat memenuhi kebutuhan
hiburan dengan mudah. Inovasi dari perkembangan teknologi dalam bidang hiburan
adalah game. lndustri game sedang mengalami perkembangan yang sangat pesat
dari berbagai macam genre game dapat dimainkan secara online sehingga
perkembangan komunitas video game online yang semakin tinggi membuat video
game online dikenal menjadi e-sports (electronic sports), PUBG Mobile menjadi
game yang sangat dinikmati dengan memiliki konsep permainan survive, dimana
para pemain harus bertahan hidup selama mungkin dengan perlengkapan dan
senjata untuk memenangkan pertandingan. Tujuan dalam penelitian ini adalah
untuk memprediksi survive time pemain PUBG Mobile dengan mengimplementasi
algoritma Random Forest dalam suatu web application. Variabel independent yang
mempengaruhi survive time pemain PUBG Mobile adalah Name, Team, Match,
WWCD, Elims, Placement, Max elim range, In Damage, Heal, Headshot, Drive
distance, Death, Damage, Assist, Air drop, Moving distance, Region, Week, Day.
Random Forest merupakan algoritma pengembangan dari Decision Tree model
Classification and Regression Tree (CART). Model Random, Forest dianalisis
dengan bahasa pemrograman python dan diaplikasikan menjadi sebuah website
dengan menggunakan framework flask. Berdasarkan basil analisis random forest
menggunakan data training dan data testing, model random forest regressor
dengan menggunakan parameter default menghasilkan akurasi sebesar 91,45%.
Dalam meningkatkan akurasi dilakukan tuning parameter untuk mendapatkan
parameter optimal antara lain: n_estimators (ntree) optimal sebanyak 140 pohon
dan parameter min_samples_leaf (mtry) optimal sebanyak 4 variabel. Dilakukan
pelatihan kedua dengan membuat model random forest regressor menggunakan
parameter optimal dari hasil tuning parameter sehingga didapatkan akurasi sebesar
92,24%.
Collections
- Statistics [903]