PERBANDINGAN AKURASI SUPPORT VECTOR MACHINE DAN DECISION TREE UNTUK PREDIKSI HASIL PERTANDINGAN DOTA 2 BERDASARKAN PEMILIHAN HERO

SAIFUL BAKHRI, Medi, Drs., M.Kom.

2016 | Skripsi | S1 ILMU KOMPUTER

Permainan daring saat ini sangat populer di kalangan remaja bahkan orang dewasa. Salah satu genre permainan yang paling diminati adalah MOBA (Multiplayer Online Battle Arena). DOTA 2 merupakan salah satu permainan MOBA yang memiliki peminat yang cukup tinggi, yaitu mencapai 12 juta pemain. DOTA 2 memiliki karakteristik permainan yang unik, yaitu tiap tim memilih masing-masing lima hero atau karakter yang bisa dimainkan dari 111 hero yang tersedia. Pemilihan hero tersebut dapat menjadi strategi awal dan dapat mempengaruhi hasil akhir pertandingan. Metode pembelajaran mesin digunakan untuk membuat model yang dapat memprediksi label dari suatu dataset tertentu. Dua metode yang bisa digunakan adalah Support Vector Machine (SVM) dan Decision Tree (DT). SVM dan DT merupakan dua metode supervised machine learning yang mempelajari dataset yang sudah ada dan membuat model prediksi untuk dataset tersebut. Dataset yang dibentuk adalah dataset hero pilihan dari tiap pemain dalam DOTA 2, dan dari dataset tersebut dilakukan feature extraction untuk membuat fitur baru yaitu roles, attack type, dan attribute. Dataset didapat dari pengumpulan data yang dilakukan menggunakan Steam Web API. Hasil penelitian ini menunjukkan bahwa metode SVM lebih unggul dalam memprediksi hasil pertandingan dengan nilai akurasi 65,78% dengan menggunakan fitur hero ID. Metode SVM mengungguli metode DT di setiap dataset yang dibentuk, yaitu dataset fitur tunggal, dataset gabungan dua fitur, dataset gabungan tiga fitur, dan dataset gabungan seluruh fitur. Terbukti bahwa metode SVM mampu menghasilkan akurasi yang lebih tinggi dibandingkan metode DT untuk memprediksi hasil pertandingan DOTA 2 berdasarkan pemilihan hero.

Online games are very popular among teenagers and even adults in the recent years. One of the games’ genre is MOBA (Multiplayer Online Battle Arena). DOTA 2 is one of the MOBA’s games which have pretty high enthusiasts, reaching about 12 million players. DOTA 2 has a unique gameplay characteristic that every team has to pick five out of 111 heroes available. Heroes pick could be the first strategy and could influence the outcome of a match. Machine learning methods are used to build a prediction model from a certain dataset. Support Vector Machine (SVM) and Decision Tree (DT) are among them. SVM and DT are two supervised machine learning methods which learn from the available datasets and build a prediction model based on the datasets. Heroes pick on DOTA 2 matches are formed into a dataset, and from the dataset, new features; roles, attack type and attribute are formed as datasets using feature extractions. The dataset is formed from data samples collected using Steam Web API. Results show that SVM method are better at predicting match outcomes with accuracy score of 65,78% using the hero ID feature. SVM method is better than DT in every dataset that was formed, which are single feature datasets, two features datasets, three features datasets, and all features dataset. This proves that SVM method can produce better accuracy than DT in predicting DOTA 2 match outcome based on heroes pick.

Kata Kunci : Akurasi prediksi, SVM, Decision Trees, DOTA 2, pemilihan hero