• Tidak ada hasil yang ditemukan

Pengelompokan peran pemain dota 2 dalam pertandingan profesional dengan metode Agglomerative Hierarchical Clustering.

N/A
N/A
Protected

Academic year: 2017

Membagikan "Pengelompokan peran pemain dota 2 dalam pertandingan profesional dengan metode Agglomerative Hierarchical Clustering."

Copied!
155
0
0

Teks penuh

  • Penulis:
    • Bondan Yudha Pratomo
  • Pengajar:
    • Romo Dr. Cyprianus Kuntoro Adi, S.J. M.A., M.Sc.
  • Sekolah: Universitas Sanata Dharma
  • Mata Pelajaran: Teknik Informatika
  • Topik: Pengelompokan Peran Pemain Dota 2 Dalam Pertandingan Profesional Dengan Metode Agglomerative Hierarchical Clustering
  • Tipe: skripsi
  • Tahun: 2017
  • Kota: Yogyakarta

I. PENDAHULUAN

Bab ini menjelaskan latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, dan manfaat penelitian. Latar belakang penelitian menyoroti perkembangan teknologi dan dampaknya pada game online, khususnya DOTA 2, yang merupakan salah satu cabang eSports yang berkembang pesat. Penelitian ini bertujuan untuk mengelompokkan peran pemain dalam DOTA 2 menggunakan metode Agglomerative Hierarchical Clustering. Manfaat penelitian ini diharapkan dapat memperluas wawasan penulis dan memberikan referensi akademis bagi mahasiswa yang tertarik pada algoritma pengelompokan.

II. LANDASAN TEORI

Bab ini membahas teori-teori yang mendasari penelitian, termasuk Knowledge Discovery in Database (KDD), pengertian clustering, dan jenis-jenis clustering. KDD adalah proses analisis data untuk menemukan pola dan informasi yang berguna. Clustering adalah teknik untuk mengelompokkan data berdasarkan kesamaan atribut. Metode Agglomerative Hierarchical Clustering, yang mencakup single-linkage, complete-linkage, dan average-linkage, dijelaskan secara mendetail. Teori ini penting untuk memahami cara sistem mengelompokkan data dalam penelitian ini.

2.1 Knowledge Discovery in Database

Menjelaskan proses KDD yang meliputi pemilihan data, pembersihan data, transformasi, data mining, dan interpretasi. Proses ini penting untuk memastikan data yang digunakan dalam penelitian adalah berkualitas dan relevan.

2.2 Pengertian Clustering

Definisi clustering dan tipe-tipe clustering seperti partitional, hierarchical, exclusive, dan fuzzy. Penjelasan ini memberikan dasar pemahaman tentang bagaimana data dapat dikelompokkan.

2.3 Dimensionality Reduction

Proses pengurangan dimensi data untuk mempermudah analisis. Metode PCA (Principal Component Analysis) digunakan untuk mengurangi kompleksitas data yang akan dikelompokkan.

2.4 Permainan DOTA 2

Deskripsi tentang DOTA 2 sebagai permainan strategi yang melibatkan kerjasama tim. Penjelasan tentang peran-peran dalam permainan ini, yaitu Carry, Support, dan Hard-support, yang menjadi fokus penelitian.

2.5 Pengujian Keakuratan Metode

Metode pengujian keakuratan clustering yang dilakukan dengan menggunakan confusion matrix dan teknik pengujian lainnya untuk memastikan validitas hasil penelitian.

III. METODOLOGI PENELITIAN

Bab ini menjelaskan tentang desain penelitian, analisa kebutuhan proses, dan implementasi perancangan sistem pengelompokan. Penelitian menggunakan data pertandingan DOTA 2 profesional untuk menerapkan metode Agglomerative Hierarchical Clustering. Proses pengumpulan data dilakukan dengan metode studi literatur dan pengumpulan data dari pertandingan yang telah berlangsung. Desain sistem juga dijelaskan dalam bentuk diagram blok untuk memudahkan pemahaman alur kerja penelitian.

3.1 Gambaran Umum

Menjelaskan sistem pengelompokan yang dibangun untuk menguji efektivitas metode Agglomerative Hierarchical Clustering dalam data pertandingan DOTA 2.

3.2 Desain Penelitian

Menjelaskan tahapan penelitian yang terdiri dari studi literatur, pengumpulan data, dan perancangan alat uji. Setiap tahapan dijelaskan untuk memberikan gambaran jelas tentang proses penelitian.

IV. IMPLEMENTASI HASIL DAN ANALISIS

Bab ini memaparkan hasil penelitian dan analisis data yang diperoleh dari pengelompokan. Hasil dari pengelompokan peran pemain DOTA 2 ditampilkan, serta analisis akurasi yang dicapai melalui metode yang digunakan. Hasil ini memberikan wawasan tentang efektivitas metode Agglomerative Hierarchical Clustering dalam konteks permainan DOTA 2.

4.1 Hasil Penelitian dan Analisis

Menjelaskan hasil pengelompokan dan analisis data yang menunjukkan akurasi metode yang digunakan. Hasil ini penting untuk mengevaluasi keberhasilan penelitian.

V. KESIMPULAN DAN SARAN

Bab terakhir menyajikan kesimpulan dari penelitian serta saran untuk penelitian selanjutnya. Kesimpulan menegaskan bahwa metode Agglomerative Hierarchical Clustering efektif dalam mengelompokkan peran pemain DOTA 2, sementara saran berfokus pada pengembangan lebih lanjut dalam penelitian ini.

5.1 Kesimpulan

Menegaskan hasil penelitian yang menunjukkan akurasi tinggi dalam pengelompokan peran pemain DOTA 2.

5.2 Saran

Memberikan rekomendasi untuk penelitian mendatang agar dapat mengeksplorasi lebih dalam tentang pengelompokan dalam konteks permainan lainnya.

Gambar

Gambar 2. 3 Perbedaan perhitungan jarak(Tan,Steinbach,dkk 2004)
Tabel 2. 4 pencarian jarak terdekat single iterasi 1
Tabel 2. 8 Pencarian jarak terdekat single iterasi 3
Gambar 2. 4 Hasil dendrogram untuk cluster single-linkage
+7

Referensi

Dokumen terkait

Tujuan dari pembuatan tugas akhir ini adalah membuat suatu aplikasi sistem informasi pemasaran pengelompokan produk dan konsumen dengan menggunakan metode agglomerative clustering

Tujuan dari penelitian ini adalah untuk mengetahui: (i) apakah pembelajaran matematika dengan menggunakan metode pembelajaran problem solving menghasilkan prestasi

Dengan ini saya menyatakan bahwa Tugas Akhir yang diajukan dengan judul “ Pendekatan Clustering untuk Penataan Ulang Tata Letak Mesin Produksi dengan Menggunakan

Akurasi juga menunjukkan bahwa hasil pelabelan data laporan masyarakat berdasarkan cluster menggunakan metode K-Means Clustering ini ketika diklasifikasi

Pada penelitian ini penulis membahas pembentukan komunitas menggunakan algoritma Agglomerative Hierarchical Clustering (AHC) berbasis enhanced similarity pada data