ABSTRAK
DOTA 2 adalah permainan strategi dimana kita harus bekerja sama dengan
pemain yang ada dalam satu tim untuk mengalahkan tim lawan. DOTA 2
merupakan versi terbaru dari DOTA yang dulunya merupakan satu kesatuan
dengan WARCRAFT III.Dalam pertandingan DOTA 2 akan menghasilkan sebuah
data dimana data ini akan dikelompokan dengan menggunakan Agglomerative
Hierarchical Clustering dengan menggunakan 3 Metode yaitu
single-linkage,complete-linkage dan average-linkage .
Transformasi Min-Max menjadi yang tertinggi dalam menentukan akurasi
dengan 93% karena metode ini mampu melakukan normalisasi hanya pada atribut
tertentu tidak semua atribut dimana data pertandingan DOTA 2 ini memiliki 1
atribut yaitu DAMAGE yang harus dinormalisasikan terlebih dahulu karena dapat
merusak hasil akurasi,sedangkan menggunakan data asli dan Zscore akurasi yang
dihasilkan belum tinggi karena terganggu oleh atribut DAMAGE.Penggunaan
PCA(Principal Component Analysis) juga belum mampu menghasilkan akurasi
tinggi dikarenakan ada atribut penting yang terpotong.
Dari 3 metode single-linkage,complete-linkage dan average-linkage ,
complete-linkage dan average-linkage menjadi metode dengan rata-rata akurasi
tertinggi dan single-linkage menghasilkan rata-rata terendah.
Kata kunci : pengelompokan peran pertandingan DOTA 2, Agglomerative
ABSTRACT
DOTA 2 is a strategy game in which we must work closely with the
existing players in the team to defeat the opposing team. DOTA 2 is the latest
version of DOTA which used to be an integral part of the game Warcraft III. The
outcome of the match DOTA 2 will produce a data on which this data will be
grouped by using Agglomerative Hierarchical Clustering by using three methods,
namely single-linkage, complete linkage and average-linkage ,
Transformation Min-Max to be the highest in determining the accuracy by
93% because this method is able to normalize only on certain attributes are not all
attributes where data matches DOTA 2 has one attribute that is DAMAGE that
should be normalized in advance because it can decrease the accuracy results,
while using Zscore and original data the resulting accuracy is not high because the
attributes DAMAGE.Using data reduction by PCA (Principal Component
Analysis) also has not been able to produce a high accuracy because there are
important attributes are truncated.
Of the three methods of single-linkage, complete linkage and
average-linkage, complete linkage and average linkage being a method to the average of
the highest accuracy and single-linkage produces the lowest average.
Keywords: Grouping the role of game DOTA 2, Agglomerative Hierarchical
i
PENGELOMPOKAN PERAN PEMAIN DOTA 2 DALAM PERTANDINGAN PROFESIONAL DENGAN METODE
AGGLOMERATIVE HIERARCHICAL CLUSTERING
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika.
DISUSUN OLEH :
Bondan Yudha Pratomo 125314137
PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
ii
CLUSTERING ROLE PLAYER DOTA 2 IN A PROFESSIONAL MATCH WITH AGGLOMERATIVE HIERARCHICAL CLUSTERING
METHODE
A Thesis
Presented as Partial Fulfillment of The Requirements To Obtain the Sarjana Komputer Degree In Informatics Engineering Study Program
By :
Bondan Yudha Pratomo 125314137
INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY
v
HALAMAN PERSEMBAHAN
“Tetaplah bersyukur dengan apa yang sudah kita miliki , mengeluh hanya akan menambah beban dari masalah itu sendiri “
Karya ini saya persembahkan kepada :
viii ABSTRAK
DOTA 2 adalah permainan strategi dimana kita harus bekerja sama dengan
pemain yang ada dalam satu tim untuk mengalahkan tim lawan. DOTA 2
merupakan versi terbaru dari DOTA yang dulunya merupakan satu kesatuan
dengan WARCRAFT III.Dalam pertandingan DOTA 2 akan menghasilkan sebuah
data dimana data ini akan dikelompokan dengan menggunakan Agglomerative
Hierarchical Clustering dengan menggunakan 3 Metode yaitu
single-linkage,complete-linkage dan average-linkage .
Transformasi Min-Max menjadi yang tertinggi dalam menentukan akurasi
dengan 93% karena metode ini mampu melakukan normalisasi hanya pada atribut
tertentu tidak semua atribut dimana data pertandingan DOTA 2 ini memiliki 1
atribut yaitu DAMAGE yang harus dinormalisasikan terlebih dahulu karena dapat
merusak hasil akurasi,sedangkan menggunakan data asli dan Zscore akurasi yang
dihasilkan belum tinggi karena terganggu oleh atribut DAMAGE.Penggunaan
PCA(Principal Component Analysis) juga belum mampu menghasilkan akurasi
tinggi dikarenakan ada atribut penting yang terpotong.
Dari 3 metode single-linkage,complete-linkage dan average-linkage ,
complete-linkage dan average-linkage menjadi metode dengan rata-rata akurasi
tertinggi dan single-linkage menghasilkan rata-rata terendah.
Kata kunci : pengelompokan peran pertandingan DOTA 2, Agglomerative
ix ABSTRACT
DOTA 2 is a strategy game in which we must work closely with the
existing players in the team to defeat the opposing team. DOTA 2 is the latest
version of DOTA which used to be an integral part of the game Warcraft III. The
outcome of the match DOTA 2 will produce a data on which this data will be
grouped by using Agglomerative Hierarchical Clustering by using three methods,
namely single-linkage, complete linkage and average-linkage ,
Transformation Min-Max to be the highest in determining the accuracy by
93% because this method is able to normalize only on certain attributes are not all
attributes where data matches DOTA 2 has one attribute that is DAMAGE that
should be normalized in advance because it can decrease the accuracy results,
while using Zscore and original data the resulting accuracy is not high because the
attributes DAMAGE.Using data reduction by PCA (Principal Component
Analysis) also has not been able to produce a high accuracy because there are
important attributes are truncated.
Of the three methods of single-linkage, complete linkage and
average-linkage, complete linkage and average linkage being a method to the average of
the highest accuracy and single-linkage produces the lowest average.
Keywords: Grouping the role of game DOTA 2, Agglomerative Hierarchical
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas segala
rahmat dan berkat yang telah diberikan sehingga penulis dapat menyelesaikan
tugas akhir yang berjudul “ Pengelompokan Peran Pemain DOTA 2 Pertandingan International dengan Pendekatan Agglomerative Clustering” sebagai salah satu
syarat memperoleh gelar sarjana pada program studi Teknik Informatika Fakultas
Sains dan Teknologi Universitas Sanata Dharma Yogyakarta
Dalam penulisan karya ilmiah ini penulis juga tidak lupa mengucapkan
terima kasih kepada pihak-pihak yang telah membantu dan juga memberi
semangat dalam pengerjaan karya ini.Ucapan terima kasih penulis ucapkan
kepada :
1. Tuhan Yesus Kristus yang selalu memberikan berkat serta
karunia-Nya yang melimpah dalam mengerjakan karya ini.
2. Keluarga, Bapak Yohanes Basuki , Ibu Mimin Purwanti , dan
adik Yos Rio Puraga ,Kornael Damar Kusuma yang telah
memberikan semangat yang sangat membantu penulis dalam
pengerjaan,doa ,dan dukungan berupa material dan
non-material.
3. Romo Dr.Cyprianus Kuntoro Adi, S.J. M.A., M.Sc. selaku
dosen pembimbing yang dengan sabar memberikan bimbingan
dan pengarahan yang terbaik dalam pengerjaan tugas akhir ini.
4. Vita Deovita Karlina yang selalu memberikan waktunya untuk
menyemangati ,memberikan motivasi,semangat ,bantuan dan
menjadi penghibur dikala pengerjaan tugas akhir ini menemui
masalah.
5. Para sahabat Aloysius Tri Sulistio Putranto,Stephanus Nico
Thomas,Dian Saktian Tobias,Pius Juan Pratama,Adhitia
Medhita yang selalu memberikan waktunya dalam
menghibur,memberikan motivasi serta memberikan semangat
xi
6. Seluruh teman-teman semua yang banyak membantu dalam
memberikan motivasi ,ilmu,semangat dan juga penghibur
dalam pengerjaan tugas akhir ini.
Penulis menyadari masih banyak kekurangan dalam penulisan tugas akhir
ini .Kritik dan saran akan yang membangun diharapkan akan memperbaiki
penelitian ini di masa yang akan mendatang.semoga informasi pada penulisan
tugas akhir ini bermanfaat bagi pembaca.
Yogyakarta, Februari 2017
xii DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN JUDUL (INGGRIS) ... ii
HALAMAN PERSETUJUAN SKRIPSI ... iii
HALAMAN PENGESAHAN SKRIPSI ... iv
HALAMAN PERSEMBAHAN ... v
PERNYATAAN KEASLIAN KARYA ... vi
LEMBAR PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... vii
ABSTRAK ... viii
ABSTRACT ... ix
KATA PENGANTAR ... x
DAFTAR ISI ... xii
DAFTAR GAMBAR ... xv
DAFTAR TABEL ... xvii
BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 3
1.3. Batasan Masalah ... 3
1.4. Tujuan Penelitian ... 3
1.5. Manfaat Penelitian ... 4
BAB II LANDASAN TEORI ... 5
2.1. Knowledge Discovery in Database ... 5
2.2. Pengertian Clustering ... 8
2.2.1. Tipe Clustering ... 8
xiii
2.2.3. Konsep Agglomerative Hierarchical Clustering ... 10
2.3. Dimensionality Reduction ... 22
2.4. Permainan DOTA 2 ... 23
2.5. Pengujian Keakuratan Metodel ... 25
BAB III METODOLOGI PENELITIAN ... 27
3.1. Gambaran Umum ... 27
3.2. Desain Penelitian ... 28
3.2.1. Studi Literatur ... 28
3.2.2. Pengumpulan Data ... 28
3.2.3. Perancangan Alat Uji ... 30
3.3. Analisa Kebutuhan Proses ... 32
3.4. Implementasi Perancangan ... 34
3.4.1. Diagram Konteks ... 34
3.4.2. Data Flow Diagram Level 1 ... 36
3.4.3. Data Flow Diagram Level 2 ... 37
3.5. Penjelasan Proses ... 39
3.5.1. Baca Data ... 39
3.5.2. Pre-processing ... 39
3.5.3. Pengukuran Jarak ... 41
3.5.4. Clustering ... 41
3.5.5. Perhitungan Akurasi Confusion Matrix ... 44
3.6. Perancangan Antar Muka Alat Uji ... 45
3.7. Spesifikasi Hardware dan Software ... 47
BAB IV IMPLEMENTASI HASIL DAN ANALISIS ... 48
4.1. Hasil Penelitian dan Analisis ... 48
xiv
BAB V KESIMPULAN DAN SARAN ... 76
5.1. Kesimpulan ... 76
5.2. Saran ... 77
DAFTAR PUSTAKA ... 78
LAMPIRAN ... 79
A. Tabel Data Pertandingan ... 119
xv
DAFTAR GAMBAR
Gambar Keterangan Halaman
2.1 Proses pengolahan data 5
2.2 Pengelompokan cluster dendrogram dan kedekatan data
10
2.3 Perbedaan perhitungan jarak 11
2.4 Hasil dendrogram untuk cluster single-linkage 16 2.5 Hasil dendrogram untuk cluster single-linkage 18 2.6 Hasil dendrogram untuk cluster average-linkage 20
2.7 Hero-hero pada DOTA 2 23
3.1 Diagram Blok 27
3.2 Hasil pertandingan DOTA 2 29
3.3 Diagram blok proses clustering 34
3.4 Diagram blok proses perhitungan akurasi 34
3.5 Diagram konteks proses clustering 35
3.6 Diagram DFD level 1 36
3.7 Diagram DFD level 2 untuk preprocesing 37 3.8 Diagram DFD level 2 untuk clustering data 38
3.9 contoh dendrogram single-linkage 42
3.10 contoh dendrogram complete-linkage 43
3.11 contoh dendrogram average-linkage 44
3.12 User interface alat uji 45
4.1 grafik akurasi tanpa PCA 51
4.2 grafik akurasi dengan menggunakan PCA 54 4.3 Grafik hasil akurasi dari normalisasi 55
4.4 1 Grafik hasil akurasi dari metode 56
4.5 Grafik hasil akurasi dari PCA 57
4.6 Dendrogram single-linkage data asli 58 4.7 dendrogramaverage-linkage data asli 59 4.8 Dendrogram complete-linkage data asli 60 4.9 Dendrogram single-linkage data Z-score 61 4.10 Dendrogram complete-linkage data Z-score 62 4.11 Dendrogram average-likage data Z-score 62 4.12 Dendrogram single-linkage data MinMax 64 4.13 Dendrogram complete-linkage data MinMax 65 4.14 Dendrogram average-linkage data MinMax 66 4.15 Dendrogram single-linkage data asli + PCA 67 4.16 Dendrogram compelte-linakge data asli + PCA 68 4.17 Dendrogram average-linakge data asli + PCA 69 4.18 Dendrogram single-linakge data Z-score + PCA 70 4.19 Dendrogram complet-linkage data Z-score +
PCA
71
4.20 Dendrogram average-linkage data Z-score + PCA
72
xvi
4.22 Dendrogram complete-linkage data MinMax + PCA
74
4.23 Dendrogram average-linkage data MinMax + PCA
74
DAFTAR TABEL
Tabel Keterangan Halaman
2.1 Contoh data 13
2.2 Hasil Euclidean disteance dari contoh data 13 2.3 pencarian jarak terdekat single iterasi 1 13 2.4 Hasil pencarian jarak terdekat single iterasi 1 14 2.5 Pencarian jarak terdekat single iterasi 2 14 2.6 Hasil pencarian jarak terdekat single iterasi 2 15 2.7 1 Pencarian jarak terdekat single iterasi 3 15
2.8 Hasil cluster single-linkage 15
2.9 Pencarian jarak terdekat complete iterasi 1 16 2.10 Hasil pencarian jarak terdekat complete iterasi 1 17 2.11 Pencarian jarak terdekat complete iterasi 17 2.12 Pencarian jarak terdekat complete iterasi 3 17 2.13 Hasil pencarian jarak terdekat complete iterasi 3 18
2.14 Hasil cluster complete-linkage 18
2.15 Hasil pencarian jarak terdekat average iterasi 1 19 2.16 Pencarian jarak terdekat average iterasi 2 20 2.17 Hasil pencarian jarak terdekat average iterasi 2 20 2.18 Pencarian jarak terdekat average iterasi 3 20
2.19 Hasil cluster average-linkage 20
2.20 Tabel kebenaran 26
3.1 Penjelasan atribut data 29
3.2 contoh matrix data 41
3.3 Tabel evaluasi confusion matrix 44
3.4 Penjelasan fungsi user interface alat uji 45
4.1 Deskripsi masing-masing peran 48
4.2 Contoh perbedaan damage hero berdasarkan peran
49
4.3 perbandingan akurasi tanpa PCA 50
4.4 perbandingan akurasi dengan menggunakan PCA 53
4.5 Hasil akurasi dari normalisasi 54
4.6 Hasil akurasi dari metode 55
4.7 Hasil akurasu dari PCA 56
xvii
4.13 Confusion matrix single-linkage Z-score 61 4.14 Confusion matrix Complete-linkage data asli 62 4.15 Confusion matrix Average-linkage data asli 63 4.16 hasil akurasi dengan normalisasi MinMax 63 4.17 Confusion matrix single-linkage MinMax 64 4.18 Confusion matrix Complete-linkage MinMax 65 4.19 Confusion matrix Average-linkage MinMax 66 4.20 data asli tanpa normalisasi dan PCA 67 4.21 Confusion matrix single-linkage data asli + PCA 67 4.22 Confusion matrix Complete-linkage data asli +
PCA
68
4.23 Confusion matrix Average-linkage data asli + PCA
69
4.24 hasil akurasi normalisasi Z-score dan PCA 70 4.25 Confusion matrix single-linkage Z-score + PCA 70 4.26 Confusion matrix Complete-linkage Z-score +
PCA
71
4.27 Confusion matrix Average-linkage Z-score + PCA
72
4.28 hasil akurasi dengan normalisasi MinMax dan PCA
73
4.29 Confusion matrix single-linkage MinMax + PCA 73 4.30 Confusion matrix Complete-linkage MinMax +
PCA
74
4.31 Confusion matrix Average-linkage MinMax + PCA
1
BAB 1
PENDAHULUAN
Pada Bab ini akan dijelaskan mengenai latar belakang yang akan dijadikan acuan
dalam pembuatan penelitian,rumusan masalah yang akan penulisa selesaikan
dalam penelitian ini ,tujuan penelitian ,manfaat penelitian dan juga metodologi
penelitian dalam pengambilan data.
1.1.Latar Belakang
Pada perkembangan teknologi yang sangat pesat pada jaman ini memiliki
dampak buruk serta juga baiknya,salah satunya adalah Game Online.Game online
di Indonesia masih dipandang sebagai sesuatu yang buruk oleh masyarakat karena
banyaknya anak-anak mereka kecanduan dalam game online.Tidak semua game
buruk ,ada beberapa game yang menghasilkan uang jika kita menekuni game
tersebut dalam arti menekuni jangan sampai kencanduan .Salah satu cabang game
yang sedang ramai dalam pertandingan-pertandingan lokal bahkan sudah
mencapai seluruh dunia adalah E-Sport.
E-sports juga dikenal sebagai Electronic sports - Professional gaming. Ini
adalah jenis olahraga dimana semua aspek utama dari olahraga sesungguhnya
difasilitasi oleh sistem elektronik (Houston,Senz 2016). Ini berarti input dari team
dan player maupun output dari "actual esports sistem" dimediasi oleh interface
yang terdiri dari manusia dan komputer.Penjelasan paling sederhana, eSports
adalah kompetisi-kompetisi yang sudah terorganisasi untuk multiplayer video
games antara player-player yang telah menjadikan gaming sebagai profesi mereka
sesungguhnya. Genre yang paling sering ditemui di eSports adalah MOBA
(multiplayer online battle arena), FPS (First Person Shooter), Fighting (street
fighter) dan real time strategy games.Kompetisi-kompetisi ini menyediakan live broadcast dengan produksi yang sangat luar biasa, disertai dengan uang hadiah
dan fasilitas yang sangat menjanjikan untuk para juara dan peserta.
Jika berbicara tentang Revenue atau pendapatan di dunia esports, industri
esports dikabarkan mencapai 2 Milyar USD dengan rata-rata 250 juta dollar
pertahunnya dan bahkan perkembangan penonton atau penikmat esports yang
2
banyakan kompetisi-kompetisi eSports yang mulai dilirik oleh channel TV seperti
ESPN, TURNER, bahkan ASTRO Malaysia mempunyai channel Egg Network
yang mana merupakan channel eSports pertama di Asia Tenggara.
Salah satu pilihan atau kesempatan adalah eSports. Dengan proyeksi
perkembangan yang ada saat ini, bisa dipastikan kalau esports adalah "thing of the
future", sebagian besar dari kita menghabiskan sebagian besar waktu kita di depan gadget atau PC atau device kita oleh karena itu diadakan e-sports untuk
menghasilkan uang juga.
Game E-Sports yang sedang digeluti salah satunya adalah DOTA 2 , DOTA 2
adalah permainan strategi dimana kita harus bekerja sama dengan pemain yang
ada dalam satu tim untuk menjatuhkan markas tim lawan. DOTA 2 merupakan
versi terbaru dari DOTA yang dulunya merupakan satu kesatuan dengan
WARCRAFT III. DOTA dan DOTA 2 tidak jauh berbeda dari segi HERO
(sebutan karakter atau unit pada game yang bisa kita kendalikan) yang dapat kita
pilih dan item yang dapat kita beli. Namun pada DOTA 2 visual yang ditampilkan
jauh lebih bagus dan sistem pembelian item yang lebih mudah . Dalam permainan
DOTA 2 juga terdapat pembagian peran yaitu Carry,Support,dan juga
Hard-support , peran Carry sangat penting dalam tim karena bertugas dalam membawa tim kepada kemenangan tentunya didukung olehSupport dan Hard-support.
Dalam penelitian ini hendak membuat suatu sistem yang mampu
mengelompokan jenis peran di dalam pertandingan DOTA 2 ini.Dalam data
pertandingan mengambil hasil akhir sebuah pertandingan dari segi
item,level,networth .Penelitian ini menggunakan Agglomerative Hiearchical
Clustering dalam pengelompokan datanya , sebelum pembentukan cluster akan dicari terlebih dahulu kedekatan antara data dengan Euclidean distance .Penelitian
yang dibuat juga selain mencari akurasi akan digunakan dalam pencarian 3 peran
terbaik dari masing-masing cluster yang nantinya akan digunakan dalam
pemilihan player baru dalam sebuah tim profesianal,masih banyak tim
professional hanya memilih pemain yang bersinar pada pertandingan tertentu akan
tetapi ketika pemain tersebut dikontrak oleh tim , pemain tersebut tidak lagi
3
pemain dalam pertandingan yang dia mainkan dimana dari hasil yang sudah
dicluster akan digunakan untuk menempatkan pemain baru diposisi yang tepat.
1.2.Rumusan Masalah
Apakah penggunaan metode Agglomerative Hierarchical Clustering mampu
mengelompokan peran pemain dalam pertandingan professional DOTA 2 dengan
dataset pemain profesional untuk menempatkan pemain baru diposisi yang tepat?
1.3.Batasan Masalah
Agar dalam pembahasan nantinya tidak panjang lebar, maka penulis
membatasi beberapa masalah yang akan dibahas, diantaranya:
1. Menggunakan data pertandingan Turnamen DOTA 2 profesional pada
tahun 2016
2. Metode yang digunakan Algoritma Agglomerative Hierarchical
Clustering meliputi Single-linkage, Complete-linkage dan Avarage-Linkage.
3. Hanya membagi kedalam 3 peran yaitu Carry,Support,Hard-support.
4. Data pertandingan hanya diambil dengan durasi 40 menit sampai 50 menit.
1.4.Tujuan Penelitian
4 1.5. Manfaat Penelitian
1. Manfaat Praktis
Bagi penulis, manfaat praktis yang di harapakan adalah dengan adanya penelitian
yang penulis teliti diharapkan dapat memperluas wawasan dan memperoleh
pengetahuan baru tentang mengelompokan data pertandingan DOTA 2 ,dimana
game belum terlalu banyak dalam sebuah penelitian.
2. Manfaat Akademis
manfaat akademis yang diharapkan dalah agar hasil dari penelitian ini dapat
dijadikan bahan rujukan bagi semua ilmu yang berhubungan dengan penelitian
dan juga dapat menjadi referensi bagi mahasiswa yang melakukan kajian
5
BAB 2
LANDASAN TEORI
Pada bab ini akan dijelaskan bagaimana cara penulis mendapatkan informasi dalam pengerjaan karya ini ,dan agar tentunya landasan teori ini dapat
mempertanggung jawabkan hasil akhir dari penelitian ini.
2.1 Knowledge Discovery in Database
Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data
dan mengekstrak informasi dan pengetahuan yang berguna. Data mining
tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining
tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola
tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para
pakar karena berada di luar ekspektasi mereka.Proses KDD terdiri dari 5 proses
seperti terlihat pada gambar di bawah.Akan tetapi , dalam proses KDD yang
sesungguhnya ,dapat saja terjadi iterasi atau pengulangan pada tahap tertentu.Pada
setiap tahap dalam proses KDD,bisa saja dapat kembali ke tahap
sebelumnya.Sebagai contoh pada saat coding atau data mining,ada proses cleaning
yang belum dilakukan dengan sempurna, kemudian menemukan informasi baru
untuk memperkaya data yang sudah ada.
6 1. Data Selection
Menciptakan himpunan data target , pemilihan himpunan data, atau memfokuskan
pada subset variabel atau sampel data, dimana penemuan (discovery) akan
dilakukan.Pemilihan (seleksi) data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil
seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu
berkas, terpisah dari basis data operasional.
2. Pre-processingatau Cleaning
Pemprosesan pendahuluan dan pembersihan data merupakan operasi dasar seperti
penghapusan noise dilakukan.Sebelum proses data mining dapat dilaksanakan,
perlu dilakukan proses cleaning pada data yang menjadi fokus KDD.Proses
cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang
inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak
(tipografi).Dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk
KDD, seperti data atau informasi eksternal.
3. Transformation
Pencarian fitur-fitur yang berguna untuk mempresentasikan data bergantung
kepada goal yang ingin dicapai.Merupakan proses transformasi pada data yang
telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses ini
merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi
yang akan dicari dalam basis data .Dalam penelitian ini menggunakan 2
normalisasi yaitu Z-score dan MinMax
a. Normalisasi Z-score
Disebut juga zero-mean normalization, dimana value dari sebuah atribut
A dinormalisasi berdasarkan nilai rata-rata dan standar deviasi dari
atribut A. Sebuah value v dari atribut A dinormalisasi menjadi v'
dengan rumus:
7
(2.1)
Keterangan :
- ̅ = adalah rata-rata dari nilai
-
σ
A = adalah standar deviasi dari atribut A- v = adalah nilai yang ingin diubah
- v’ = adalah hasil Z-score
b. Normalisasi MinMax
MinMax normalization memetakan sebuah value v dari atribut A menjadi v' ke dalam range [new_minA, new_maxA] berdasarkan
rumus:
(2.2)
Keterangan :
- v = adalah nilai yang akan dinormalisasi
- v’=adalah nilai hasil normalisasi
- min = adalah nilai minimal lama dari nilai v
- max = adalah nilai maksimal lama dari nilai v
- new_min = adalah nilai minimal baru sesuai kebutuhan
- new_max = adalah nilai maksimal baru sesuai kebutuhan
4. Data mining
Pemilihan tugas data mining; pemilihan goal dari proses KDD misalnya
klasifikasi, regresi, clustering, dll.Pemilihan algoritma data mining untuk
pencarian (searching)Proses Data mining yaitu proses mencari pola atau informasi
menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
8
metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD
secara keseluruhan.
5. Interpretationatau Evaluation
Penerjemahan pola-pola yang dihasilkan dari data mining.Pola informasi yang
dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah
mimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari
proses KDD yang mencakup pemeriksaan apakah pola atau informasi yang
ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.
2.2 Pengertian Clustering
Menurut Han dan Kamber (2011), Clustering adalah proses pengelompokkan kumpulan data menjadi beberapa kelompok sehingga objek di
dalam satu kelompok memiliki banyak kesamaan dan memiliki banyak perbedaan
dengan objek dikelompok lain. Perbedaan dan persamaannya biasanya
berdasarkan nilai atribut dari objek tersebut dan dapat juga berupa perhitungan
jarak. Clustering sendiri juga disebut Unsupervised Classification, karena
clustering lebih bersifat untuk dipelajari dan diperhatikan. Cluster analysis merupakan proses partisi satu set objek data ke dalam himpunan bagian. Setiap
himpunan bagian adalah cluster, sehingga objek yang di dalam cluster mirip satu
sama dengan yang lainnya, dan mempunyai perbedaan dengan objek dari cluster
yang lain. Partisi tidak dilakukan dengan manual tetapi dengan algoritma
clustering. Oleh karena itu,clustering sangat berguna dan bisa menemukan group yang tidak dikenal dalam data.
2.2.1 Tipe Clustering
Clustering merupakan suatu kumpulan dari keseluruhan cluster( H. G.
9 1. Partitional vs Hierarchical
Partitional clustering adalah pembagian objek data kedalam sub himpunan(cluster) yang tidak overlap sedemikian hingga tiap objek data berada dalam tepat satu sub-himpunan.Hierarchical clustering merupakan sebuah himpunan cluster bersarang yang diatur sebagai suatu pohon hirarki.Tiap simpul(cluster) dalam pohon(kecuali simpul daun) merupakan gabungan dari anaknya(subcluster) dan simpul akar berisi semua objek
2. Exclusive vs non-exclusive
Semua bentuk clustering merupakan exclusive clustering ,karena setiap objek berada tepat pada satu cluster.sebaliknya dalam overlapping atau non-exclusive clustering ,sebuah objek dapat berada di lebih dari satu
cluster secara bersamaan.
3. Fuzzy vs non-Fuzzy
Dalam fuzzy clustering ,sebuah titik termasuk dalam setiap cluster dengan suatu nilai bobot antara 0 dan 1.jumlah dari bobot-bobot tersebut sama dengan 1.clustering probabilitas mempunyai karakteristik yang sama.
4. Partial vs Complete
Dalam complete clustering ,setiap objek ditempatkan dalam sebuah
cluster.Tetapi dalam partial clustering,tidak semua objek ditempatkan
dalam sebuah cluster.kemungkinan ada objek yang tidak tepat untuk ditempatkan di salah satu cluster,misalkan berupa outlier atau noise.
2.2.2 Pengertian Hierarchical Clustering
10
pohon yang berfungsi sebagai diagram yang mencatat urutan dari penggabungan atau pemisahan seperti pada gambar berikut :
Ada dua tipe utama hierarchical clustering , yaitu divisive dan agglomerative (Tan,Steinbach,dkk 2004) :
Agglomerative:
1. Mulai dengan titik-titik sebagai individual clusters.
2. Pada tiap langkah,gabungkan pasangan cluster terdekat sampai hanya terdapat satu cluster (atau k cluster) yang tersisa
Divisive :
1. Mulai dengan satu,semua inclusive cluster.
2. Pada tiap langkah,pisahkan sebuah cluster sampai tiap cluster terdiri dari sebuah titik(atau ada k cluster).
Tradisional algoritma hirarikal menggunakan sebuah matriks similaritas atau matriks jarak dengan menggabungkan atau memisahkan satu cluster dalam tiap langkahnya.
2.2.3 Konsep Agglomerative Hierarchical Clustering
Beberapa metode hierarchical clustering yang sering digunakan dibedakan
menurut cara mereka untuk menghitung tingkat kemiripan. Ada yang
11
halnya dengan partition-based clustering, bisa juga memilih jenis jarak yang
digunakan untuk menghitung tingkat kemiripan antar data.
Salah satu cara untuk mempermudah pengembangan dendogram untuk
hierarchical clustering ini adalah dengan membuat similarity matrix yang memuat
tingkat kemiripan antar data yang dikelompokkan. Tingkat kemiripan bisa
dihitung dengan berbagai macam cara seperti dengan Euclidean distance. Berawal
dari similarity matrix ini, dapat menggunakan lingkage jenis mana yang akan
digunakan untuk mengelompokkan data yang dianalisa.Berikut adalah langkah
dalam pengelompokan dengan agglomerative clutering :
1) Hitung matrix jarak,jika diperlukan
2) Ulangi langkah 3 dan 4,
3) Gabungkan 2 cluster terdekat
4) Kemudian perbarui matrix jarak antara 2 cluster terdekat pada langkah 3
kemudian bentuk cluster baru
5) Sampai hanya tersisa sati cluster(Tan,Steinbach,dkk 2004)
Untuk perhitungan jarak Single-linkage, Complete-linkage dan Average-linkageseprti pada rumus berikut :
a. Single-linkage merupakan merupakan jarak minimum antara setiap data terdekat. Metode ini akan mengelompokkan dua objek yang mempunyai
jarak terdekat terlebih dahulu, dapat didefinisikan sebagai berikut :
d(i,j)k = min(dik, djk)
12
(2.3)
Keterangan :
- Jarak terkecil antar kelompok (I,j) dengan k
b. Complete-linkage merupakan merupakan jarak maximum antara setiap data terdekat, Metode ini akan mengelompokkan dua objek yang
mempunyai jarak terjauh terlebih dahulu, dapat didefinisikan sebagai
berikut :
d(i,j)k = Max(dik, djk)
(2.4)
Keterangan :
- Jarak terbesar antar kelompok (I,j) dengan k
c. Average-linkage merupakan merupakan rata-rata jarak antara setiap data terdekat. Metode ini mengelompokkan objek berdasarkan jarak
rata-rata yang didapat dengan melakukan rata-rata-rata-rata semua jarak objek terlebih
dahulu. dapat didefinisikan sebagai berikut :
d(i,j)k = Average(dik, djk)
(2.5)
Keterangan :
- Jarak rata-rata antar kelompok (I,j) dengan k
Pada sistem ini menggunakan Single-linkage,Complete-linkage dan
Avarage-Linkage ,dibawah ini adalah contoh data yang belum dihitung jarak
kedekatanya . Dalam penelitian ini menghitung jarak kedekatan dengan Euclidean
distance
13
(2.6)
Keterangan :
- n adalah jumlah atribut atau dimensi
- Pk dan Qk adalah data yang akan dihitung jaraknya
Tabel 2. 2 Contoh data
Setelah dihitung jarak antar obyek maka dibuatkan matriks jarak yaitu memnghitung nilai dari jarak A sampai E dan matriks ini bersifat simetris
Dalam penghitungan jarak kemiripan akan dilakukan 3 cara menghitung kemiripan :
a. Jarak minimum (SingleLinkage)
Pada Single-linkage kemiripan data dicari dari nilai jarak yang paling minimum yaitu 11.1803 pada titik 1,4
Nama Berat1 Berat2
1 50 20
2 35 10
3 30 20
4 45 30
5 10 50
Tabel 2. 3 Hasil Euclidean disteance dari contoh data
14
Pertama adalah mencari nilai minimum pada matrix kedekatan yang sudah dihitung menggunakan Euclidean distance ,yaitu 1 dan 4 memiliki nilai minimum kemudian kedua objek tersebut digabungkan menjadi cluster (14) ,dan objek lain yang tersisa adalah 2,3 dan 5 .dengan jarak :
Min {2,1 dan 2,4} = 18,0278 Min {3,1 dan 3,4} = 18,0278 Min {5,1 dan 5,4} = 40.3113
Setelah mendapatkan nilai minimalnya hapus objek 1 atau 4 untuk membentuk 1 cluster baru yaitu (14).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (14).
kedua mencari nilai minimum pada matrix kedekatan antara cluster yang tersisa yaitu cluster (14)(2)(3) dan (5) didapatkan cluster 2 dan 3 memiliki nilai minimum dengan nilai 11,1803,kemudian gabungkan menjadi cluster (23) dengan
cluster yang tersisa adalah (14) dan 5 .dengan jarak :
Min {(14),2 dan (14),3} = 18,0278 Min {5,2 dan 5,3} = 36.0555
Setelah mendapatkan nilai minimalnya hapus objek 2 atau 3 untuk membentuk 1 cluster baru yaitu (23).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (23).
Tabel 2. 5 Hasil pencarian jarak terdekat single iterasi 1
15
ketiga mencari nilai minimum pada matrix kedekatan antara cluster yang tersisa yaitu cluster (14)(23) dan (5) didapatkan cluster (14) dan (23) memiliki nilai minimum dengan nilai 18,0278,kemudian gabungkan menjadi cluster (1423) dengan cluster yang tersisa adalah 5 .dengan jarak :
Min {(1423),5 dan (1423),5} = 36.0555
Setelah mendapatkan nilai minimalnya hapus objek 14 atau 23 untuk membentuk 1 cluster baru yaitu (1423).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (1423).
Setelah terbentuk menjadi 2 cluster kita dapat menggambarkan dendogramnya sebagai berikut :
Tabel 2. 8 Pencarian jarak terdekat single iterasi 3
16
Cluster 1 dan 4 adalah cluster yang terbentuk pertama , kemudian pada 2
dan 3 adalah pembentukan cluster ke 2 , kemudian pada pembentukan cluster ketiga cluster 14 dan 23 bergabung menjadi cluster 1423 , kemudian tersisa
cluster 5 yang otomatis menjadi cluster terakhir dan bergabung bersama cluster
1423 menjadi 1 cluster utuh yaitu 14235, untuk melihat pembagian cluster kita
dapat melakukan cut-off pada dendogram.
b. Jarak Maximum (CompleteLinkage)
Pertama adalah mencari nilai minimum pada matrix kedekatan yang sudah dihitung menggunakan Euclidean distance ,yaitu 1 dan 4 memiliki nilai minimum kemudian kedua objek tersebut digabungkan menjadi cluster (14) ,dan objek lain yang tersisa adalah 2,3 dan 5 .dengan jarak :
Max {2,1 dan 2,4} = 22.3607 Max {3,1 dan 3,4} = 20
Gambar 2. 4 Hasil dendrogram untuk cluster single-linkage
17 Max {5,1 dan 5,4} = 50
Setelah mendapatkan nilai minimalnya hapus objek 1 atau 4 untuk membentuk 1 cluster baru yaitu (14).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (14).
kedua mencari nilai minimum pada matrix kedekatan antara cluster yang tersisa yaitu cluster (14)(2)(3) dan (5) didapatkan cluster 2 dan 3 memiliki nilai
minimum dengan nilai 11,1803,kemudian gabungkan menjadi cluster (23) dengan
cluster yang tersisa adalah (14) dan 5 .dengan jarak :
Max {(14),2 dan (14),3} = 22.3607 Max {5,2 dan 5,3} = 471699
Setelah mendapatkan nilai minimalnya hapus objek 2 atau 3 untuk membentuk 1 cluster baru yaitu (23).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (23).
Tabel 2. 11 Hasil pencarian jarak terdekat complete iterasi 1
Tabel 2. 12 Pencarian jarak terdekat complete iterasi 2
18
ketiga mencari nilai minimum pada matrix kedekatan antara cluster yang tersisa yaitu cluster (14)(23) dan (5) didapatkan cluster (14) dan (23) memiliki nilai minimum dengan nilai 18,0278,kemudian gabungkan menjadi cluster (1423)
dengan cluster yang tersisa adalah 5 .dengan jarak : Max {(1423),5 dan (1423),5} = 50
Setelah mendapatkan nilai minimalnya hapus objek 14 atau 23 untuk membentuk 1 cluster baru yaitu (1423).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (1423).
Setelah terbentuk menjadi 2 cluster kita dapat menggambarkan dendogramnya sebagai berikut :
Tabel 2. 14 Hasil pencarian jarak terdekat complete iterasi 3
Tabel 2. 15 Hasil cluster complete-linkage
19
Cluster 1 dan 4 adalah cluster yang terbentuk pertama , kemudian pada 2
dan 3 adalah pembentukan cluster ke 2 , kemudian pada pembentukan cluster ketiga cluster 14 dan 23 bergabung menjadi cluster 1423 , kemudian tersisa
cluster 5 yang otomatis menjadi cluster terakhir dan bergabung bersama cluster
1423 menjadi 1 cluster utuh yaitu 14235, untuk melihat pembagian cluster kita dapat melakukan cut-off pada dendogram.
c. Jarak Rata-Rata (AverageLinkage)
Pertama adalah mencari nilai minimum pada matrix kedekatan yang sudah dihitung menggunakan Euclidean distance ,yaitu 1 dan 4 memiliki nilai minimum kemudian kedua objek tersebut digabungkan menjadi cluster (14) ,dan objek lain yang tersisa adalah 2,3 dan 5 .dengan jarak :
Average {2,1 dan 2,4} = 20,1942 Average {3,1 dan 3,4} = 19,0139 Average {5,1 dan 5,4} = 45.5155
Setelah mendapatkan nilai minimalnya hapus objek 1 atau 4 untuk membentuk 1 cluster baru yaitu (14).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (14).
Tabel 2. 16 Pencarian jarak terdekat average iterasi 1
20
kedua mencari nilai minimum pada matrix kedekatan antara cluster yang
tersisa yaitu cluster (14)(2)(3) dan (5) didapatkan cluster 2 dan 3 memiliki nilai minimum dengan nilai 11,1803,kemudian gabungkan menjadi cluster (23) dengan
cluster yang tersisa adalah (14) dan 5 .dengan jarak :
Average {(14),2 dan (14),3} = 19,604 Average {5,2 dan 5,3} = 41.6127
Setelah mendapatkan nilai minimalnya hapus objek 2 atau 3 untuk membentuk 1 cluster baru yaitu (23).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (23).
ketiga mencari nilai minimum pada matrix kedekatan antara cluster yang tersisa yaitu cluster (14)(23) dan (5) didapatkan cluster (14) dan (23) memiliki nilai minimum dengan nilai 18,0278,kemudian gabungkan menjadi cluster (1423) dengan cluster yang tersisa adalah 5 .dengan jarak :
Average {(1423),5 dan (1423),5} = 43.384
Tabel 2. 18 Pencarian jarak terdekat average iterasi 2
Tabel 2. 19 Hasil pencarian jarak terdekat average iterasi 2
21
Setelah mendapatkan nilai minimalnya hapus objek 14 atau 23 untuk membentuk 1 cluster baru yaitu (1423).maka akan menjadi table seperti di bawah dengan cluster baru yaitu (1423).
Setelah terbentuk menjadi 2 cluster kita dapat menggambarkan dendogramnya sebagai berikut :
Cluster 1 dan 4 adalah cluster yang terbentuk pertama , kemudian pada 2
dan 3 adalah pembentukan cluster ke 2 , kemudian pada pembentukan cluster ketiga cluster 14 dan 23 bergabung menjadi cluster 1423 , kemudian tersisa
cluster 5 yang otomatis menjadi cluster terakhir dan bergabung bersama cluster
1423 menjadi 1 cluster utuh yaitu 14235, untuk melihat pembagian cluster kita dapat melakukan cut-off pada dendogram.
Tabel 2. 21 Hasil cluster average-linkage
22
2.3 Dimensionality Reduction
Dimensionality Reduction adalah sebuah proses untuk mengurangi dimensi
daa dari data yang berdimensi besar menjadi data yang berdimensi kecil.Ada dua teknik dalam Dimensionality Reduction ini,yaitu feature selection dan feature
extraction .Feature selection adalah memilih feature yang berpengaruh untuk data
tersebut yang diambil dari sekumpulan data asli. Dalam Feature extraction membentuk sebuah feature baru berdasarkan feature yang lama dengan dimensi lebih sedikit dibandingkan dengan sebelumnya.
Metode yang digunakan adalah PCA(principal component analysis).Tujuan dari principal component analysis adalah suatu teknik statistik untuk mengubah dari sebagian besar variabel asli yang digunakan dan saling berkorelasi satu
dengan yang lainnya menjadi satu set variabel baru yang lebih kecil dan tidak
berkorelasi (Web 1). Setiap 4 pengukuran multivariat (atau observasi), komponen
utama merupakan kombinasi linier dari variabel p awal. Tujuan utama analisis
komponen utama ialah untuk mengurangi dimensi peubah-peubah yang saling
berhubungan dan cukup banyak variabelnya sehingga lebih mudah untuk
menginterpretasikan data-data tersebut (Johnson dan Wichern, 2002). Metode
yang digunakan yaitu menentukan komponen utama dengan melakukan alih
ragam orthogonal atau membentuk kombinasi linier Y A' X (Sumarga, 1996).
Dari sini akan dipilih beberapa komponen utama yang dapat memberikan
sebagian besar keragaman total data semula.Berikut adalah cara kerja principal
component analysis :
1. Hitung rata-rata setiap data (scaling)
2. Hitung covariance matrix dari kumpulan data matrix. 3. Hitung eigenvector dan eigenvalue dari covariance matrix.
4. Pilih component dan bentuk vector feature dan ambil principal component dari eigenvector yang memiliki eigenvalue paling besar
23
2.4 Permainan DOTA 2
DOTA 2 adalah game yang sudah dimodifikasi yang awalnya bernama
World of Warcraft yang dibuat oleh Blizzard (Kurniawan,Iqbal dkk 2016). DOTA atau defense of the ancient diciptakan pertama kali sebagai mod di
Warcraft 3. Kebanyakan hero di DOTA pun sebenarnya terinspirasi dari hero-hero
di game warcraft. Lalu munculah ide dari icefrog untuk membangun game DOTA
sendiri, dan akhirnya dibuat dengan kerjasama valve menjadi game dengan engine
source bernama DOTA2.
Jadi sebenarnya DOTA 2 dengan DOTA tidak jauh berbeda, hero-hero di
DOTA 2 pun berasal dari DOTA. DOTA 2 adalah permainan real time strategy,
dan harus memilih suatu karakter atau hero dari banyak hero. Perlu diketahui di
DOTA 2 hanya akan mengontrol satu hero atau unit, namun beberapa hero bisa
membuat beberapa unit juga, tapi umumnya hanya mengontrol satu hero dan tidak
perlu mengontrol unit lebih dari 10 (Newell,Gabe dkk). Tujuan utama di DOTA 2
sebenarnya adalah menghancurkan ancient musuh, apabila ancient musuh hancur
maka tim akan menang. Di DOTA 2 ada banyak hal yang harus cepat untuk
dicapai, misalnya level dan item, semakin tinggi level atau semakin bagus item
maka hero yang anda gunakan akan semakin kuat. Terdapat 108 hero dari game
ini dengan pembagian kasta yaitu strength,agility dan intelligence seperti gamber
berikut :
24
Sebagian besar Support berada pada intelligence tapi tidak semua bisa
dijadikan Support tergantung pada situasi saat pertandingan oleh karena itu
penelitian ini akan mencoba memisahkan antara Support ,Carry dan Hard-support
dari hasil pertandingan tersebut .
Permainan ini sangat menarik jika dijadikan penelitian karena selain game
online favorit , game ini juga dapat menghasilkan penghasilan yang tidak
main-main untuk Turnamen International yang diadakan Agustus 2016 yang lalu
mencapai 20.000.000 dollar.Untuk penelitian tentang DOTA 2 ini belum pernah
dilakukan sebelumnya karena saya menggunakan data pertandingan ,yang sudah
melakukan penelitian tentang DOTA 2 adalah hanya menganalisa jenis
hero.Sedangkan yang akan dijadikan dalam penelitian ini adalah hasil
pertandingan yang mana terdapat atribut level,GMP(Gold Per Minute),XPM(Experience Per Minute),Networth,dll.Dalam Penelitian ini hanya terbatas pada meneliti jenis peran yang ter cluster yaitu Carry,Support, atau
Hard-support.Berikut ini beberapa penjelasan tentang ketiga peran yang akan diteliti dalam penelitian ini :
a. Carry
Peran yang satu ini memang cukup sulit, apalagi jika anda bukan tipe yang
bisa melakukan banyak last hit pada laning phase.Karena Carry
membutuhkan banyak gold untuk bisa berguna di mid late game. Carry
seperti namanya memang mampu membawa tim menuju kemenangan, dan
ini akan membuat tim musuh mengincar Carry terlebih dahulu. Dalam game
DOTA 2 tim lawan akan mencari counter yang mencegah seorang Carry
memiliki uang banyak.
b. Support
Peran Support bisa dibilang sangat penting karena seorang Support memiliki
skill yang dapat membantu timnya menuju kemenangan , Support sendiri
25
Support bergantian dengan Hard-support untuk membeli item-item Support seperti ward, dust, dan lain-lain. Selain itu Hero Posisi peran ini juga
biasanya dapat farming di hutan, atau juga bisa membantu Carry untuk
creep stacking.
c. Hard-support
Kebanyakan player baru sering meremehkan role ini karena mereka
beranggapan bahwa Hard-support hanya bertugas membantu tim saja.
Padahal itu adalah anggapan yang salah. Seorang Hard-support tidak
membutuhan uang sebanyak Carry dan dia mampu melakukan early kill dan
bahkan mengganggu Carry tim lawan. Biasanya seorang Hard-support yang
baik mampu membuat Carry mendapatkan uang yang banyak dengan
mengamankannya saat laning phase dan mencegah Carry agar tetap aman
dari tim lawan.
2.5 Pengujian Keakuratan Metode
Untuk menguji apakah metode ini memiliki hasil yang valid maka diperlukan pengujian untuk mengetahui keakuratan metode.Pada clustering sendiri pengujian keakuratan dapat dibagi menjadi 3 cara pendekatan untuk melihat keakuratannya yaitu external test,internal test dan relative test.
d. External test
26 Keterangan :
a dan d = jumlah benar setiap cluster b dan c = cluster yang salah
a,b,c dan d = jumlah data keseluruhan
Akurasi = (Jumlah benar setiap clusteratauJumlah data )*100%
e. Internal test
adalah pengujian tanpa informasi dari luar cluster yang digunakan untuk melihat kualitas dari cluster tersebut .Dalam penggunaanya pada internal test yaitu cluster separation dan cluster cohesion(jain dan dubes dkk1988).
a) Cluster cohesion adalah jumlah dari lebar semua link yang ada di
dalam cluster.Cohesion adalah pengukuran di dalam cluster dengan sum of square(SSE)
b) Cluster separation adalah pengukuran antara cluster dengan sum of
square
f. Relative test
pada metode ini digunakan pengukuran internal index dan external index dengan SSE atau entropy , penyelesaian cluster yang berbeda dengan algoritma yang sama dengan parameter berbeda pula.
Dalam mencari keakuratan metode penelitian , penulis menggunakan
external test dengan menggunakan clustering yang sudah ada kemudian dibandingkan dengan hasil cluster dari metode Agglomerative Hiearchical
clustering,kemudian dapat melihat tingkat akurasi yang didapat dengan label yang
sudah tersedia .Setelah itu dapat dilihat manakah clustering yang terbaik akurasinya.
27
BAB 3
METODOLOGI PENELITIAN
Pada bab ini akan dijelaskan bagaimana metode pengelompokan bekerja pada
sistem serta dijelaskan pula desain penelitian ,analisa kebutuhan
proses,implementasi perancangan ,penjelasan proses dan desain antar muka (user
interface)
3.1 Gambaran Umum
Pembuatan sistem pengelompokan pemain dengan metode Agglomerative
Hiearchical Clustering (AHC) untuk menguji apakah metode ini bagus untuk data
pertandingan DOTA 2 , berikut sistem yang akan dibangun oleh penulis dalam
bentuk diagram blok
Data pada penelitian ini adalah data pertandingan international DOTA 2
yang didapatkan dari setiap akhir pertandingannya , kemudian membuatnya
menjadi data numeric dan akan dicluster menggunakan agglomerative hierarchical
clustering dengan 3 cara yaitu single(minimal), complete(maximal) ,average(mean) setelah mendapatkan hasil akan menampilkan cluster dan akurasi.
28 3.2 Desain Penelitian
Dalam penelitian ini terdapat 3 tahapan yang penulis buat yaitu studi
literatur untuk informasi data,pengumpulan data, dan juga merancang alat uji .
Berikut adalah penjelasan tentang ketiganya :
3.2.1 Studi Literatur
Studi literatur dilakukan untuk mendapatkan informasi tentang data yang
digunakan dalam penelitian seperti mengamati pertandingan dalam turnamen
DOTA 2 setiap eventnya yang berjalan pada tahun 2016.
3.2.2 Pengumpulan Data
Dalam mengumpulkan data pertandingan DOTA 2 penulis melihat hasil
pertandingan dalam event yang diadakan pada tahun 2016 .Dalam pengumpulan
data terdapat 3 tahap dalam mendapatkan data sehingga dapat diolah sebagai
berikut :
Tahap 1 Mengumpulkan Data Pertandingan
Pada tahap ini data pertandingan yang diambil adalah random dari tim
profesional yang bertanding pada turnamen international 2016 dan data tidak
mengambil dari tim biasa dikarenakan tidak adanya pembagian peran seperti tim
besar yang sudah memiliki manajemen permainan bagus.Data diambil dalam
game DOTA 2 yang sudah bertanding , dalam setiap pertandingan besar
international data tersimpan di dalam game dan dapat dilihat rekap pertandingan
serta replaynya oleh pengguna yang ingin menonton ulang.Setelah mendapatkan
29
kedalam bentuk excel secara manual dari data gambar yang sudah di
dapatkan.Data terkumpul sebanyak 300 data dengan 14 atribut , dimana atribut
tambahan terdapat 4 atribut yaitu CARRY_ITEM, SUPPORT_ITEM, HARD_SUPPORT_ITEM dan NORMAL_ITEM.Atribut ini menjelaskan seorang
pemain ap[akah dia memiliki item sebagaimana peran yang ia bawa atau
tidak.Dalam pengisian di dalam excel dilihat dari gambar apakah ada item-item
tersebut atau tidak, jika ada di beri nilai 1 dan jika tidak ada diberi nilai 0.
Tabel 3. 1 Penjelasan atribut data
No Atribut Penjelasan
1 KILL adalah jumlah dimana hero mampu
menghabisi hero lawan sampai jumlah HP
hero musuh menjadi 0.
2 DEATH Adalah jumlah dimana jumlah HP hero
menjadi 0 atau mati dikarenakan hero
musuh menghabisi hero kita.
30
membunuh hero lawan sebelum hero
lawan jumlah HP nya menjadi 0 atau mati.
4 NETWORTH Adalah jumlah gold yang mampu
dikumpulkan seorang pemain dalam satu
pertandingan
5 LEVEL Adalah sebuah pencapaian setiap level
naik maka setiap hero memiliki
kemampuan khusus untuk menaikan
skillnya
6 LAST HIT Adalah jumlah seorang pemain melakukan
last hit atau sentuhan terakhir sebelum
creep(monster hutan atau monster yang
muncul 30 detik sekali ) digunakan untuk
mendapatkan gold lebih ketika melakukan
last hit .
7 DENIED Adalah jumlah seorang membunuh creep
(monster hutan atau monster yang muncul
30 detik sekali ) sendiri agar musuh tidak
melakukan last hit dan menghambat
musuh mendapatkan gold.
8 GOLD PER MINUTE Adalah jumlah rata-rata pendapatan gold
setiap hero sampai akhir pertandingan
9 EXPERIENCE PER
MINUTE
Adalah jumlah rata-rata experience setiap
hero sampai akhir pertandingan
,experience digunakan untuk menaikan
level.
10 DAMAGE Dalah jumlah serangan yang masuk
kepada hero musuh.
11 CARRY ITEM Adalah jumlah item yang biasa digunakan oleh hero Carry
31
13 HARD-SUPPORT ITEM Adalah jumlah item yang biasa digunakan oleh hero Hard-support
14 NORMAL ITEM Adalah jumlah item standar yang biasa
digunakan oleh hero
Dalam setiap tim professional yang bertanding peran setiap pemain sudah
ditentukan , dalam setiap tim pada pertandingan DOTA 2 minimal memiliki 2
orang pemain dengan peran Carry ,2 orang pemain dengan peran Support dan 1
orang sebagai Hard-support.Pada data yang diambil adalah data pertandingan
profesional DOTA 2 yang berlangsung pada tahun 2016 ,tidak hanya pada satu
event saja dalam pengambilan data akan tetapi seluruh event internationl
khususnya pemain profesional pada tahun 2016.
Tahap 2 Import data ke Excel
Setelah mendapatkan data dalam game DOTA 2 kemudian memasukan
data numerik yang ada di gambar dengan cara manual kedalam excel ,serta
memasukan juga slot item apakah item yang dibeli dalam record pertandingan itu
adalah item Support,Carry atau Hard-support .
Tahap 3 Pelabelan Cluster Data
Dalam membuat label class dalam penelitian ini penulis mencari label
dengan tingkat akurasi tertinggi yang akan dijadikan label , dalam contoh pada
normalisasi Z-score peran Carry ada di label 1 atau cluster 1 , ketika normalisasi
MinMax peran Carry dengan akurasi tinggi terdapat dilabel 2 atau cluster 2 .Jadi dalam pelabelan ini mengikuti hasil dendrogram yang dihasilkan agar
mendapatkan akurasi yang terbaik.Dimana label ini akan digunakan untuk
membandingan dengan hasil cluster yang dihasilkan untuk menemukan akurasi.
32 3.2.3 Perancangan Alat Uji
Dalam penelitian ini penulis menggunakan metodologi waterfall dimana
metode waterfall adalah suatu proses pengembangan perangkat lunak berurutan,
di mana kemajuan dipandang sebagai terus mengalir ke bawah seperti air terjun
melewati fase-fase perencanaan, pemodelan, implementasi(konstruksi), dan
pengujian.
a. Analisa Kebutuhan Pengguna (User Requierment)
Tahap pertama ini adalah sebuah tahap yang dibutuhkan oleh pengguna
untuk menyelesaikan masalah dengan adanya alat uji yang sudah dibuat dalam
penelitian ini,dengan kata lain tahap ini kebutuhan pengguna untuk menyelesaikan
masalah dengan adanya alat uji . Berikut adalah kebutuhan pengguna dalam
menyelesaikan masalah :
- Melihat hasil pengelompokan (cluster)
- Melihat hasil akurasi confusion matrix
b. Analisa Kebutuhan Sistem (Sistem Requierment)
Tahap requirement atau spesifikasi kebutuhan sistem adalah analisa
kebutuhan sistem yang dibuat dalam bentuk yang dapat dimengerti oleh user.
Dalam tahap ini klien atau pengguna menjelaskan segala kendala dan tujuan serta
mendefinisikan apa yang diinginkan dari sistem.
c. Desain (Design)
Tahap selanjutnya adalah desain, dalam tahap ini pengembang akan
menghasilkan sebuah arsitektur sistem secara keseluruhan, dalam tahap ini
33 d. Pengkodean (Coding)
Pengkodean adalah tahap dimana perancangan diterjemahkan kedalam
sebuah bahasa mesin pada komputer,kemudian menghasilkan sebuah alat uji yang
digunakan untuk melihat apakah metode memiliki akurasi yang bagus atau tidak.
e. Pengujian (Testing)
Pada tahap terakhir adalah tahap pengujian untuk menguji apakah sistem uji
ini sudah mampu memenuhi kebutuhan pengguna .
3.3 Analisa Kebutuhan Proses
Dalam penelitian ini terdapat 2 tahap penting yaitu
pengelompokan(cluster) dan pengujian(testing).Pengelompokan bertujuan untuk
melihat apakah 3 peran sudah dapat dikelompokan dengan baik yang kemudian
dari masing-masing peran diambil yang terbaik dengan menampilkan id sang
pemain dan pengujian digunakan untuk menguji seberapa akurat metode yang
digunakan dalam penilitian ini mampu mengelompokan data dengan baik. Proses
34
Gambar 3. 2 Diagram blok proses clustering
35 3.4 Implementasi Perancangan
3.4.1 Diagram Konteks
Pada Gambar 3.6 di atas merupakan gambar diagram konteks atau bisa
disebut juga sebagai data flow diagram level 0.Diagram ini merupakan level
tertinggi dari data flow diagram .Diagram ini menjelaskan ruang linkgup dari
sebuah alat uji yang akan dibangun.Terdapat salah satu proses besar pada diagram
konteks tersebut yaitu proses clustering data pertandingan DOTA 2 dengan
menggunakan Hierarchical Agglomerative Clustering.Pada diagram konteks
terdepat seorang pengguna(User) sebagai pemberi input saat memilih sebuah
normalisasi dan metode clustering ,yang kemudian sistem akan menampilkan
hasil cluster beserta dengan hasil akurasinya.
36 3.4.2 Data Flow Diagram Level 1
Gambar 3. 6 Diagram DFD level 1
Pada Gambar 3.7 di atas merupakan gambar data flow diagram level
1,diagram ini merupakan pecahan dari diagram konteks.terddepat user sebegai
external entity,300 data peran pemain dari pertandingan DOTA 2.
Proses pertama user memberikan pilihan dalam proses preprocesing yaitu
akan menggunakan data asli ,normalisasi zscore atau normalisasi minmax setelah
melakukan pilihan tersebut user juga akan memilih jenis metode cluster
single-linkage,complete-linkage atau average-linkage.
Proses kedua user hanya menekan tombol cluster dan simpan dengan
otomatis sistem akan memproses cluster kemudian akan menampilkan hasil dari
37 3.4.3 Data Flow Diagram level 2
DFD Level 2 no 1 Preprocessing
Pada Gambar 3.8 di atas merupakan data flow diagram level 2 untuk proses
preprocesing.Pada diagram di atas terdapat 3 proses yaitu proses pertama adalah
menghitung normalisasi untuk zscore , kemudian yang kedua adalah menghitung
normalisasi untuk minmax dan proses terakhir adalah data reduksi dengan
menggunakan PCA.Setelah semua data melewati proses tersebut data disimpan
dalam bentuk excel kemudian akan diproses pengelompokan dengan Hierarchical
Agglomerative Clustering.
38
DFD Level 2 no 2 Clustering dan Akurasi data pertandingan
Pada Gambar 3.9 adalah proses akhir dari sebuah clustering dimana akan
menampilkan hasil akurasi serta dendrogram.Terdapat 4 proses dalam data flow
diagram level 2 untuk clustering dan akurasi.Yang pertama setelah melewati
proses preprocesing kemudian data akan dihitung jarak antara data dengan metode
perhitungan jarak euclidean distance .Proses kedua adalah menghitung cluster
single-linkage dengan menggunakan matriks jarak yang sudah didapatkan . Proses
ketiga adalah menghitung cluster complete-linkage dengan menggunakan matriks
39
linkage dengan menggunakan matriks jarak yang sudah didapatkan.kemudian
proses terakhir atau proses keempat adalah proses perhitungan akurasi dengan
berdasarkan cluster yang terbentuk dan dendrogram yang terbentuk.
3.5 Penjelasan Proses
3.5.1 Baca Data
Setelah data dimasukan kedalam excel dan melewati tahap knowledge
discovery in database data siap digunakan dalam proses selanjutnya yaitu pre-processing .Dalam sebuah pertandingan seorang Carry diwajibkan memiliki Gold-Per-Minute (GPM) yang tinggi karena dibutuhkan untuk membeli item atau barang yang menunjang kemenangan tim tersebut.
3.5.2 Pre-processing
Setelah data siap maka proses selanjutnya adalah melakukan preprocessing
pada data.terdapat 2 tahap Pre-processing sebelum data digunakan yaitu
transformasi data dengan Z-score dan MinMax terhadap 300 data
pertandingan.Selain transformasi data juga akan diuji menggunakan
PCA(Principal component analysis) untuk menguji apakah akurasi dapat lebih
besar atau sebaliknya.Bagi yang memilkiki peran Carry NETWORTH menjadi
sangat penting karena dalam tim Carry diwajibkan memiliki item progres yang
cepat , kemudian seroang Carry juga harus memiliki LAST_HIT yang banyak dan
juga KILL yang banyak. Sangat berbeda dengan yang berperan sebagai Support
dan Hard-support dalam peran ini harus merelekan item mereka demi seorang
Carry agar Carry menjadi kuat dengan kata lain Carry menjadi prioritas utama.Dalam data terdapat atribut DAMAGE dimana atribut ini sangat tidak
berpengaruh terhadap proses cluster karena DAMAGE adalah besar serangan
yang masuk kedalam musuh seroang Support bisa saja memiliki DAMAGE yang
besar karena skill yang dia miliki oleh karena itu atribut ini menggunakan
40
dalam permainan.sedangkan NETWORTH ,GOLD_PER_MINUTE dan
EXPERIENCE_PER_MINUTE menggunakan normalisasi [0-471] karena dari
ketiga atribut itu sangat tergantung pada LAS_HIT .Berikut adalah tahap-tahap
normalisasi :
a) Langkah-langkah function MinMax
1. Proses cut data pada data pertandingan DOTA 2 profesional 2016
pemotongan hanya pada atribut 4,8,9 dan 10.
2. Simpan data cut menjadi satu dalam bentuk excel dengan nama
DATA_CUT_NORMALISASI.xlsx.
3. Kemudian membuat data yang tidak di-cut dalam proses di atas
menjadi 1 dengan nama DATA_CUT_SISA_NORMALISASI.xlsx
4. Mengambil nilai dari data cut minmax ,kemudian menentukan nilai
minimal dan maksimal yang baru untuk dipakai dalam perhitungan.
5. Menghitung rumus minmax yaitu
minmax=(dataAwalcut-nilai_max_baru)*( nilai_max_baru - nilai_min_baru)/( nilai_max-
nilai_min)+ nilai_max
6. Kemudian data hasil perhitungan dengan rumus tersebut digabungkan
dengan data sisa hasil cut kemudian dijadikan menjadi satu file excel
untuk diolah dengan nama
DATA_FINAL_HASIL_NORMALISASI.xlsx
b) Zscore menggunkan fungsi pada matlab
%data zscore
zscoredata=zscore(dataAwal);
c) Langkah-Langkah Perhitungan PCA
1. membuat matriks x dengan cara mengurangi rata2 setiap dimensi pada
matriks
41
3. menghitung eigenvector dan eigenvalue dari covariance matrix.
4. Pilih komponen dan bentuk vector feature dan principal component
dari eigenvector yang memiliki eigenvalue paling besar diambil
(decreasing order).
5. menurunkan satu set data baru
6. kemudian memasukan jumlah PCA yang digunakan dalam
pemotongan data.
3.5.3 Pengukuran Jarak
Setelah proses Pre-processing selesai dilakukan langkah selanjutnya
adalah pengukuran jarak dengan menggunakan salah satu metode yang
ada.Seperti yang sudah dijelaskan sebelumnya dalam penelitian ini menggunakan
Euclidean distance.
3.5.4 Clustering
Ssetelah mendapatkan data matriks dari hasil pengukuran jarak kemudian
akan masuk kedalam tahap clustering atau pengelompokan untuk mengelompokan
peran-peran berdasarkan data pertandingan yang sudah diproses.Data
pertandingan akan diukur kemiripannya dengan agglomerative hierarchical
clustering dengan metode single-linkage(jarak minimum),Complete-linkage(jarak maximum),Average-linkage(jarak rata-rata).Dari hasil clustering yang telah
