BAB IV IMPLEMENTASI HASIL DAN ANALISIS
4.1. Hasil Penelitian dan Analisis
BAB 4
IMPLEMENTASI HASIL DAN ANALISA
Pada bab ini membahas mengenai hasil dari pengelompokan data pertandingan DOTA 2 dengan agglomerative hierarchical clustering . Selain itu juga hasil keakuratan dari metode dijelaskan pada bab ini.
4.1 Hasil Penelitian dan Analisis
Pada tahap pengujian dan implementasi data yang telah dilakukan terhadap 300 data pertandingan DOTA 2 profesional dengan pembagian peran Carry,Support dan Hard-support.Dalam data pertandingan atribut NETWORTH , GPM(gold per minute) dan XPM (experience per minute) menjadi sangat penting dalam melihat peran apa yang di lakukan oleh pemain tersebut .
Tabel 4. 1 Deskripsi masing-masing peran
No Peran Keterangan
1 Carry Memiliki NETWORH ,Last hit , GPM(gold per minute) dan XPM (experience per minute) yang tinggi untuk cepat mendapatkan item.Dan angka DEATH yang rendah.
2 Hard-support Memiliki DENIED dan ASSIST yang tinggi untuk menghambat Carry lawan berkembang,serta memiliki angka DEATH tinggi karena selalu yang pertama diincar lawan.
3 Support Memiliki DENIED ,ASSIST , GPM(gold per minute) dan XPM (experience per minute) yang tinggi untuk cepat menaikan level serta membantu menghambat Carry lawan berkembang.
49
Dalam sebuah pertandingan seorang pemain dapat berubah peran tergantung pada situasi musuh dan kendala waktu.Dalam data terdapat atribut DAMAGE ,atribut ini mengindikasikan berpa jumlah serangan yang masuk kedalam hero lawan .Atribut DAMAGE menjadi sangat tidak berpengaruh dalam pengelompokan karena bisa saja Support dan Hard-support memiliki nilai DAMAGE yang besar .
Tabel 4. 2 Contoh perbedaan damage hero berdasarkan peran
No kemampuan Peran Keterangan
1
Finger of Death (Lion) Damage level max : 850
Hard- Support Hero seperti ini sangat memiliki damage besar dalam skill akan tetapi dia berperan sebagai Support karena memiliki sekill pendukung lainya berupa stun dan disable.
2
Ravage (Tidehunter) Damage level max : 380
Support Hero Support serperti tidehunter sangat penting dalam sebuah tim karena memiliki skill stun yang sangat luas jangkauannya
dan mampu dalam
membuka sebuah war. 3
Chemical rage (Alchemist) Tidak ada damage
Carry Salah satu hero terkuat dalam DOTA 2 adalah alchemist dengan skillnya walaupun tidak memiliki damage pada kemampuanya akan tetapi dengan item pendukung yang dia miliki dia dapat bertahan hidup dan membuat lawan tidak
50
berkutik.
1. Perbandingan akurasi tanpa Principal Component Analysis(PCA)
Dari seluruh percobaan tanpa menggunakan PCA hanya normalisasi MinMax dengan Complete-linkage mendapat akurasi paling besar yiatu 93% walaupun tidak mencapai 100% akurasi ini terbilang sudah sangat bagus.Kemudian akurasi paling buruk adalah MinMax dengan single-linkage dengan akurasi 50% akurasi ini terlbilang buruk karena belum mencapai target yang diinginkan.Akurasi terbaik kedua adalah 82% masih dalam normalisasi MinMax dengan Average-linkage.
Tabel 4.3 perbandingan akurasi tanpa PCA
Metode normalisasi MinMax menjadi sangat optimal dalam normalisasi dikarenakan metode ini mampu mentransformasi beberapa atribut saja dibandingkan normalisasi Z-score.Dalam MinMax transformasi dilkakukan terhadap 4 atribut dimana digai lagi menjadi 2 yaitu atribut DAMAGE normalisasi MinMax dengan nilai minimal 0 dan nilai maksimal 1 dan atribut NETWORTH,GPM(gold per minute) dan XPM(experience per minute) nilai minimal dengan 0 dan nilai maksimal 471 .Atribut DAMAGE
Metode Normalisasi Akurasi
Single-linkage Tidak 51% Complete-linkage Tidak 62% Average-linkage Tidak 51% Single-linkage Z-score 54% Complete-linkage Z-score 55% Average-linkage Z-score 51% Single-linkage MinMax 50% Complete-linkage MinMax 93% Average-linkage MinMax 82%
51
menggunakan [0,1] dikarenakan atribut ini tidak memiliki sesuatu yang berpengaruh dan cenderung dapat mengganggu pengelompokan data serta nilai datanya sangat besar dan memiliki jarak yang sangat jauh dengan data lain ,oleh karena itu perlu dilakukan normalisasi agar data dapat dikelompokan dengan baik tanpa adanya masalah.Kemudian untuk ketiga atribut NETWORTH,GPM(gold per minute) dan XPM(experience per minute) menggunakan normalisasi [0,471] nilai maksimal dan minimal diambil dari atribut LAST_HIT karena atribut ini berpengaruh terhadap 3 atribut di atas .Karena jarak data yang terlalu besar pada atribut NETWORTH maka normalisasi ini juga sekaligus membuat jarak data menjadi tidak terlalu jauh dan data dapat diolah dengan baik.Atribut yang paling berpengaruh dalam pengelompokan peran pemain DOTA 2 sebenarnya adalah atribut NETWORTH jika bernilai rendah berperan sebagai Hard-support ,sedang Support dan tinggi adalah seorang Carry.Normalisasi MinMax dalam pengelompokan data pemain menjadi sangat baik karena normalisasi ini mampu melakukan transformasi terhadapa beberapa atribut data saja yang penting tanpa harus membuang sebuah atribut.Berikut grafik perhitungan akurasi tanpa menggunakan PCA :
Gambar grafik di atas menjelaskan perbandingan 2 normalisasi dan 1 dengan data asli dimana data asli diwakilkan oleh warna merah ,normalisasi
52
Z-score diwakilkan dengan warna biru dan normalisasi MinMax diwakilkan dengan warna kuning.Terlihat dari gambar bahwa normalisasi MinMax dengan nilai akurasi tertinggi dengan 93% untuk Complete-linkage dan 82% untuk Average-linkage.Normalisasi MinMax juga terdapat pengelompokan yang buruk yaitu pada linkage dikarenakan pada metode Single-linkage pengambilan nilai adalah yang terdekat atau minimal mengakibatkan data pengelompokan yang seharusnya saling memisahkan menjadi beberapa cluster akan bergabung menjadi satu seperti terlihat pada gambar 4.7 dendrogram MinMax single-linkage.Karena untuk data pertandingan DOTA 2 pencarian jarak dengan mengambil nilai terendah belum memenuhi harapan.Tidak hanya pada normalisasi MinMax saja metode single-linkage sterlihat buruk dalam menghasilkan akurasi, dalam gambar diatas hanya pada normalisasi Z-score saja single-linkage terlihat memiliki akurasi yang tinggi diantara 2 metode lainnya.Kemudian Complete-linkage mendapat nilai akurasi tertinggi dnegan dilakukannya normalisasi data atau tidak metode ini tetap menjadi yang tertinggi karena pengambilan nilai jarak yang paling besar ketika cluster dilakukan menjadi sangat berpengaruh.Terakhir adalah metode Average-linkage masih diantara kedua metode dengan akurasi dibawah compelte-linkage dan di atas single-linkage.Penjelasan di atas adaalah mengapa MinMax menjadi yang paling bagus dalam normalisasi dan metode Complete-linkage menjadi sangat bagus ketika normalisasi MinMax.
2. Perbandingan akurasi dengan Principal Component Analysis(PCA) Dari seluruh percobaan menggunakan PCA hanya yang menggunakan data asli dengan Complete-linkage mendapat akurasi paling besar yiatu 57% Kemudian akurasi paling buruk adalah MinMax dengan Average-linkage dengan akurasi 46% akurasi ini terlbilang buruk karena belum mencapai target yang diinginkan.Akurasi terbaik kedua adalah 53% masih dalam normalisasi Z-score single-linkage dan Average-linkage.
53
Tabel 4.4 perbandingan akurasi dengan menggunakan PCA
Metode Normalisasi Akurasi
Single-linkage Tidak 50% Complete-linkage Tidak 57% Average-linkage Tidak 50% Single-linkage Z-score 53% Complete-linkage Z-score 49% Average-linkage Z-score 53% Single-linkage MinMax 50% Complete-linkage MinMax 50% Average-linkage MinMax 46%
Percobaan kedua dilakukan dengan menggunakan PCA(principal component analysis) , dalam percobaan menggunakan data reduction belum dapat melebihi akurasi tanpa menggunakan PCA(principal component analysis) seperti diatas terlihat hanya 57% akurasi terbesar.Pemotongan data yang digunakan sebanyak 5 dikarenakan dengan pemotongan 5 pada PCA mendapat akurasi paling besar diantara pemotongan dengan jumlah lain,akan tetapi tetap belum mampu melebihi akurasi yang didapatkan tanpa menggunakan PCA diakarenakan dalam proses PCA terdapat beberapa feature penting yang terpotong atau terbuang pada proses ,mengakibatkan pengelompokan mendapat akurasi yang buruk.Beberapa dendrogram terlihat bagus seperti pada normalisasi MinMax dengan PCA akan tetapi belum mendapatkan hasil setinggi normalisasi MinMax tanpa PCA.
54
Terlihat dari gambar grafik di atas bahwa compelte-linkage pada data asli ditambah dengan PCA menjadi paling tinggi tingkat akurasinya dengan 57% kemudian nilai tingkat akurasi paling rendah adalah average-linakge dengan normalisasi MinMax ditambah dengan PCA yaitu 46%.Untuk dapat melihat lebih detail tentang hasil yang lebih optimal dan hasil yang belum memenuhi akurasi yang diinginkan dapat dilihat dari tabel dan grafik dibawah :
Gambar 4. 3 grafik akurasi dengan menggunakan PCA
55
Dari grafik akurasi dilihat berdasarkan normalisasi ,normalisasi MinMax mendapatkan tingkat akurasi tertinggi sekaligus mendapat tingkat akurasi terendah karena menggunakan PCA sedangkan MinMax tertinggi tidak menggunakan PCA.Jadi dalam penggunaan normalisasi MinMax masih menjadi yang tertinggi tingkat akurasi nya dibandingkan tidak melakukan normalisasi ataupun dengan normalisasi Z-score.
Tabel 4. 6 Hasil akurasi dari metode Gambar 4. 4 Grafik hasil akurasi dari normalisasi
56
Dari grafik tingkat akurasi yang dilihat berdasarkan metode terlihat bahwa metode Complete-linkage menempati tingkat akurasi tertinggi kemudian tempat kedua tertinggi adalah metode Average-linkage dan single-linkage masih belum memenuhi akurasi yang diinginkan.Jadi dalam penentuan metode mana yang baik Complete-linkage dan Average-linkage menjadi yang terbaik dalam penelitian ini, karena dalam single-linkage pengambilan nilai dilakukan yang terkecil sehingga membuat pengelompokan semakin mirip satu sama lain.
Tabel 4. 7 Hasil akurasu dari PCA Gambar 4. 5 Grafik hasil akurasi dari metode
57
Dari grafik tingkat akurasi yang dilihat dari PCA atau tidak terlihat bahwa data yang tidak melakukan data reduction dengan PCA mendapatkan tingkat akurasi tertinggi sedangkan data yang melalui proses PCA terdapat beberapa feature penting yang terhapus sehingga proses pengelompokan tidak sesuai yang diinginkan sehingga mendapat tingkat akurasi yang rendah.Untuk proses PCA belum mampu meningkatkan akurasi bahkan merusak tingkat akurasi.
