Analisis Clustering K-Prototype dan Classification XGboost untuk Deteksi Cheater PUBG (Studi Kasus : Deteksi Cheater pada Komunitas Pemain PUBG Menggunakan Dataset PUBG Finish Placement Prediction)

Abstract

Di era digital yang semakin berkembang, game online telah menjadi salah satu hiburan populer di masyarakat, termasuk PlayerUnknown’s Battlegrounds (PUBG). Namun, keberadaan pemain cheater yang memanfaatkan celah atau aplikasi pihak ketiga merusak keseimbangan permainan dan pengalaman pemain lain. Penelitian ini bertujuan untuk mengidentifikasi dan mendeteksi pemain cheater menggunakan kombinasi metode Clustering K-Prototype dan Classification XGBoost. K-Prototype adalah algoritma klasterisasi yang mampu menangani data dengan atribut campuran (numerik dan kategorikal), sementara XGBoost merupakan algoritma klasifikasi yang dikenal karena efisiensi dan akurasi tinggi dalam mengolah data besar dan kompleks. Data yang digunakan dalam penelitian ini diperoleh dari Dataset "PUBG Finish Placement Prediction (Kernels Only)" di Kaggle, dengan fokus pada 27 variabel. Penelitian ini mencakup analisis deskriptif data, implementasi K-Prototype untuk mengelompokkan pemain berdasarkan pola permainan, dan penggunaan XGBoost untuk mengidentifikasi pemain cheater serta menentukan variabel yang paling berpengaruh. Hasil penelitian diharapkan dapat membantu pengembang meningkatkan sistem anti- cheat dan menciptakan pengalaman bermain yang lebih adil bagi semua pemain. Dengan pendekatan ini, penelitian berkontribusi pada peningkatan kualitas dan integritas komunitas game online, khususnya PUBG.