KLASIFIKASI ARTEFAK PADA GAME GENSHIN IMPACT MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER

1

KLASIFIKASI ARTEFAK PADA GAME GENSHIN IMPACT MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFIER

Fachri Romi Rochyadi, Evfi Mahdiyah Mahasiswa Program Studi S1 Sistem Informasi

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia

fachri.romi1487@student.unri.ac.id

ABSTRACT

One type of entertainment that people often do is playing games. Genshin Impact is a very popular game. In this game, there are many characters that can be obtained during the game. Players need to strengthen their character to defeat enemies during adventures and complete missions. One way to strengthen the character is to use artifacts. There are so many artifacts in Genshin Impact that each artifact has a random value that is confusing for new players. This study aims to classify artifacts using the Naive Bayes Classifier method.

This Naive Bayes Classifier algorithm model uses a dataset of Gladiator and Wanderer artifacts of 349 data, 279 data as training data and 70 data as testing data. The data attributes used are 8 attributes, the name of the artifact set, the type of artifact, the type of main stat, sub stat 1, sub stat 2, sub stat 3, and sub stat 4. This study resulted in a classification model with an accuracy of 87.1% measured using the Confusion Matrix.

Keywords: Artifacts, Genshin Impact, Classification, Naive Bayes Classifier

ABSTRAK

Salah satu jenis hiburan yang sering dilakukan orang adalah bermain game. Genshin Impact menjadi game yang sangat popular. Pada game ini terdapat banyak karakter yang bisa didapatkan selama permainan. Pemain perlu memperkuat karakter agar dapat mengalahkan musuh selama berpetualang dan menyelesaikan misi. Salah satu cara memperkuat karakter adalah dengan menggunakan artefak.

Artefak dalam Genshin Impact jumlahnya sangat banyak dan setiap artefak memiliki nilai yang acak sehingga membingungkan bagi para pemain baru. Penelitian ini bertujuan mengklasifikasikan artefak menggunakan metode Naive Bayes Classifier. Model algoritma Naive Bayes Classifier ini menggunakan dataset artefak Gladiator dan Wanderer sebanyak 349 data, 279 data sebagai data training dan 70 data sebagai data testing. Atribut data yang digunakan sebanyak 8 atribut, yaitu nama set artefak, jenis artefak, jenis main stat, sub stat 1, sub stat 2, sub stat 3, dan sub stat 4. Penelitian ini menghasilkan model klasifikasi dengan akurasi sebesar 87.1% diukur menggunakan Confusion Matrix.

Kata Kunci: Artefak, Genshin Impact, Klasifikasi, Naive Bayes Classifier PENDAHULUAN

Salah satu jenis hiburan yang sering dilakukan orang adalah bermain game. Pada bulan September tahun 2020 rilis sebuah game yang bernama Genshin Impact. Genshin Impact merupakan game petualangan RPG online dunia terbuka pertama yang bisa dimainkan mengunakan smartphone, komputer, playstation 4 dan 5. Genshin Impact menjadi game yang sangat popular karena pada 4 hari setelah awal rilis Genshin Impact telah diunduh sebanyak lebih dari 17 juta kali. Artefak adalah

2 sebuah barang untuk meningkatkan kemampuan karakter agar menjadi kuat. Masalahnya artefak dalam Genshin Impact sangat banyak dan setiap artefak memiliki nilai yang acak sehingga membingungkan para pemain baru. Penelian ini menggunakan dataset artefak Gladiator dan Wanderer sebanyak 349 data, 279 data sebagai data training dan 70 data sebagai data testing. Hasil penelitian ini berupa klasifikasi artefak.

TINJAUAN PUSTAKA

a. Klasifikasi

klasifikasi adalah sebuah teknik untuk menentukan keanggotaan kelompok berdasarkan data- data yang sudah ada. Konsep dasar dari klasifikasi adalah beberapa data yang memiliki struktur data yang mirip akan memiliki klasifikasi yang mirip pula(Kurniawan, 2018).

b. Game

Game adalah kata berbahasa Inggris yang berarti permainan atau pertandingan, atau bisa diartikan sebagai aktifitas terstruktur yang biasanya dilakukan untuk bersenang-senang. Game atau permainan adalah sesuatu yang dapat dimainkan dengan aturan tertentu sehingga ada yang menang dan ada yang kalah, biasanya dalam konteks tidak serius dengan tujuan refreshing(Nurdiana &

Suryadi, 2018).

c. Genshin Impact

Genshin Impact adalah video game roleplaying, dunia terbuka, petualangan gratis yang dirilis untuk Playstation 4, Microsoft Windows, iOS, dan Android pada 28 September 2020 oleh developer asal Tiongkok Hoyoverse. Genshin Impact bercerita tentang seorang traveler yang menjelajah duia yang bernama Teyvat untuk mencari saudaranya yang hilang diculik dewa. Traveler bertemu dengan berbagai karakter dengan misi menemukan saudaranya yang hilang. Setiap karakter pada Genshin Impact memiliki satu dari 7 elemen yaitu Anemo (angin), Pyro (api), Cryo (es),

Electro(elektrik), Dendro (tanaman), Hydro (air) dan Geo (Tanah). Karakter juga menggunakan 1 jenis senjata dari 5 senjata yang ada yakni pedang, panah, tombak, pedang besar, dan catalyst (sejenis buku sihir)(Chao & Chao Professor Morgan, 2021)

d. Artefak

Artefak adalah barang yang dapat dikenakan karakter untuk meningkatkan atribut karakternya.

Sayangnya, atribut apa yang akan dipengaruhi dan besar pertambahannya juga bagian dari sistem undian, jadi untuk mendapatkan artefak yang sempurna butuh banyak waktu dan usaha(Marcello, 2021). Pada Genshin Impact terdapat 5 jenis artefak yaitu Flower of Life , Plume of Death , Sand of Eon , Goblet of Eonothem , dan Circlet of Logos(Muhammad Rafli Aulia Rojani Lutfi et al., 2022).

3 Penjelasan bagian bagian artefak dari Gambar

1. Nama Artefak 2. Jenis Artefak

Terdapat 5 jenis artefak yang terdapat dalam Genshin Impact yakni Flower of Life, Plume of Death, Sand of Eon, Goblet of Eonothem, dan Circlet of Logos. Pada Gambar 2.1 merupakan jenis artefak Bunga. Dari setiap jenis artefak memiliki aturan tersendiri mengenai jenis main statnya.

3. Jenis Main Stat

Jenis main stat ada 18 jenis yaitu ATK, ATK%, HP, HP%, Def%, Elemental Mastery, Energy Recharge, Anemo Damage Bonus, Cryo Damage Bonus, Dendro Damage Bonus, Electro Damage bonus, Geo Damage Bonus, Hydro Damage Bonus, Pyro Damage Bonus, Physical Damage Bonus, Crit Rate, Crit Damage dan Healing Bonus.(Rahmatika Basyasya, 2021)

4. Nilai Main Stat

Nilai main stat adalah angka yang akan ditambahkan dengan angka pada karakter yang memakai artefak. Nilai artefak dapat bertambah berdasarkan tingkatan artefak dan level artefak, nilai artefak tidak dapat berkurang

5. Tingkatan Artefak

Tingkatan artefak adalah tingkat kelangkaan dari artefak yang dilambangkan dengan bintang semakin tinggi tingkatan artefak maka nilai dari main stat akan semakin tinggi juga. Tingkatan artefak paling rendah adalah bintang 1 dan paling tinggi adalah bintang 5

6. Gambar Artefak 7. Level Artefak

Setiap artefak dimulai dari level 1 cara meningkatakan level artefak dengan menggunakan artefak lain sebagai bahannya. Level maksimal artefak berbeda beda berdasarkan tingkatannya Artefak bintang 1 dan 2 maksimal level 4, bintang 3 maksimal level 12, bintang 4 maksimal level 16

4 dan bintang 5 maksimal level 20. Menaikkan level artefak berfungsi untuk meningkatkan nilai dari main stat, menambah sub stat, meningkatkan sub stat.(Chao & Chao Professor Morgan, 2021) 8. Sub Stat beserta Nilainya

Bergantung pada kualitasnya, artefak dapat memiliki nol sampai empat jenis substat. Nilai dari substat bisa bertambah setiap menaikkan artefak ke level 4, 8, 12, 16 dan 20. Hanya 1 dari 4 jenis substat yang nilainya meningkat saat menaikkan level artefak. Adapun jenis jenis substat pada artefak adalah ATK, ATK%, Def, Def%, HP, HP%, Elemental Mastery, Energy Recharge, Crit Rate, Crit Damage. Jenis substat tidak bisa sama dengan main stat dan substat lainnya(Rahmatika Basyasya, 2021).

9. Nama Set Artefak 10. Efek dari Set

Pemanbahan status jika 2 atau 4 bagian dari sebuah set dikenakan, maka karakter akan mendapatkan bonus tambahan peningkatan atribut.(Marcello, 2021)

11. Kunci Artefak e. Teknik Sampling

Teknik sampling adalah teknik yang digunakan dalam penelitian untuk menentukan sampel yang digunakan(Fauzy, 2019). Pada penelitian ini peneliti menggunakan teknik sampling quota sampling. Pengambilan sampel dengan teknik quota sampling adalah pengambilan sampel dengan cara menetapkan sejumlah tertentu sebagai target (kuota) yang harus dipenuhi dalam pengambilan sampel dari populasi. Dalam kasus ini jumlah populasinya tidak jelas atau tidak terhingga.

Pengambilan sampel sejumlah kuota yang diinginkan dilakukan dengan jalan mengambil sampel yang sesuai dengan kriteria yang diinginkan. Pengambilan sampel akan dihentikan jika sampel yang terambil telah memenuhi kuota dan sebaliknya pengambilan sampel akan tetap dilakukan jika kuota sampel belum terpenuhi(Fauzy, 2019)

f. Machine Learning

Machine learning dapat didefinisikan sebagai aplikasi komputer dan algoritma matematika yang diadopsi dengan cara pembelajaran yang berasal dari data dan menghasilkan prediksi di masa yang akan datang(Roihan et al., 2020). Machine learning terbagi menjadi tiga yaitu, Supervised Learning, Unsupervised Learning, Reinforcement Learning(Roihan et al., 2020).

g. Algoritma Naive Bayes Classifier

Naive bayes classifier merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu mengklasifikasi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema bayes (Hasanah et al., 2018). Naive Bayes Classifier merupakan klasifikasi dengan model statistik untuk menghitung peluang dari suatu kelas yang memiliki masing – masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal(Suntoro, 2019). Berikut ini langkah langkah menghitung naive bayes classifier:

1. Mencari Prior untuk setiap kelas

Untuk menghitung jumlah dan prior tiap kelas digunakan Persamaan 𝑃(𝐶_𝑖) = 𝑁_𝑖

𝑁 Keterangan:

5 𝑃(𝐶_𝑖) : Probabilitas class prior

(𝐶_𝑖) : Label class ke-i

𝑁_𝑖 : Jumlah label class ke-i 𝑁 : Total class

2. Menghitung probabilitias setiap atribut (likehood) 𝑃(𝑋|𝐶_𝑖) = 𝑋_𝑛

𝑃(𝐶_𝑖) 𝑋_𝑛 : Jumlah atribut ke n

3. Menghitung nilai posterior dari tiap kelas yang ada dengan menggunakan persamaan 𝐶_𝑚𝑎𝑝 = 𝑎𝑟𝑔𝑚𝑎𝑥_{𝑐𝑖∈𝑐} 𝑃(𝑋|𝐶_𝑖) 𝑥 𝑃(𝐶_𝑖)

𝐶_𝑚𝑎𝑝 : Output hasil klasifikasi naive bayes classifier 𝑎𝑟𝑔𝑚𝑎𝑥_{𝑐𝑖∈𝑐} : Nilai maksimal dari kelas

4. Hasil klasifikasi naive bayes classifier didapatkan dengan cara membandingkan nilai posterior dari kelas yang ada. Nilai posterior yang paling tinggi akan menjadi hasil

klasifikasi

h. Confusion matrix

Confusion matrix atau Confusion table adalah cara untuk mengevaluasi metode klasifikasi pada bagian akurasi dari hasil klasifikasi. Confusion matriks adalah alat yang berguna untuk

menganalisis seberapa baik classifier mengenali tuple dari kelas yang berbeda(Argario et al., 2018).

Nilai Klasifikasi

Nilai Aktual

+ -

+ TP FP

- FN TN

Keterangan

TP : True Positive ketika hasil klasifikasi dan hasil aktualnya sama sama positif.

FP : False Positive ketika hasil klasifikasi adalah positif tetapi aktualnya negatif ini bisa juga disebut false alarm atau type 1 error.

FN : False Negative ketika hasil klasifikasinya negatif tetapi hasil aktualnya positif ini bisa juga disebut dengan type 2 error.

TN : True Negative ketika hasil klasifikasi dan hasil aktualnya sama-sama negatif Python

Python merupakan bahasa yang paling populer untuk machine learning dan data science. Beberapa alasan mengenai keunggulan bahasa pemprograman python adalah Mudah dipelajari, Mendukung berbagai paradigma pemprograman, Extensible, Open-source community.(Sharma, 2020)

6 Python Libraries

Library pada Python merupakan gabungan dari package dan module untuk

memudahkan dalam membuat suatu sistem atau aplikasi. Library merupakan sebutan kode program tambahan untuk keperluan tertentu, dengan penggunaan library ini dapat menghasilkan kode program secara efisien tanpa perlu menuliskan seluruh skrip. Library bersifat reusable yang dapat digunakan berkali – kali. Library python yang digunakan pada penelitian ini adalah Numpy, Pandas, Scikit-learn.(Sharma, 2020)

Visual Studio Code

Visual Studio Code adalah kode editor sumber yang dikembangkan oleh Microsoft untuk Windows, Linux dan macOS. Ini termasuk dukungan untuk debugging, kontrol git yang tertanam dan GitHub, penyorotan sintaksis, penyelesaian kode cerdas, snippet, dan refactoring kode.(Agustini &

Kurniawan, 2019) Hipotesis Penelitian

Hipotesis adalah jawaban sementara dari suatu masalah yang dihadapi dan perlu diuji kebenarannya dengan data yang lebih lengkap dan menunjang. Uji hipotesis adalah suatu proses yang dilakukan dalam rangka mengambil keputusan dari dua hipotesis yang berlawanan. Uji McNemar didesain untuk data berpasangan yang bersifat nomimal atau dikotomi (yaitu dua kejadian yang saling mutually excluxive, seperti permukaan koin, jenis kelamin, dsb). Model ringkas pada uji McNemar berbentuk Tabel 2x2 disajikan pada Tabel(Heryana, 2014)

Kondisi 2 (Post Test)

Penjumlahan Baris Respon

Kategori 1

Respon Kategori 2

Kondisi 1 (Pretest)

Respon kategori 1 a b a+b = n1

Respon kategori 2 c d c+d = n2

penjumlahan

Kolom a+c b+d n = n1+n2

Rumus menghitung nilai uji statistik McNemar dapat dilihat pada persamaan 𝑥² =(|𝑏 − 𝑐| − 1)²

𝑏 + 𝑐

METODE PENELITIAN a. Tahapan Penelitian

7 b. Peralatan yang Digunakan

Peralatan yang diguunakan dalam pembuatan skripsi ini yaitu:

1. Perangkat keras (Hardware)

a. Berikut ini perangkat keras yang digunakan Laptop Acer E-14 dengan Processor Intel® Core i5-7200U 2,5GHz Ram 8GB SSD 512 GB

2. Perangkat lunak (Software) Perangkat lunak yang digunakan yaitu:

Sistem Operasi Windows 10 Pro 64-bit

Microsoft office word 2021, digunakan untuk penyusunan skripsi.

Microsoft excel 2021, digunakan untuk melakukan perhitungan manual.

HASIL DAN PEMBAHASAN a. Pengumpulan Data

Data yang digunakan dalam penelitian ini merupakan data yang diambil dari dalam game Genshin Impact sebanyak 349 data, yaitu: artefak Gladiator dan Wanderer. Atribut yang dipilih dari tiap artefak adalah: nama set, jenis artefak, jenis main stat dan keempat jenis sub stat. Data artefak yang disimpan dalam tabel microsoft excel dengan format csv dan xlsx agar mempermudah pada tahap preprosesing data.

No Nama

Set Jenis Main Stat Sub Stat

1 Sub Stat 2 Sub Stat 3 Sub Stat 4 1 Gladiator Gelas Cryo Damage

Bonus HP% Elemental

Mastery ATK% Crit Damage

8 2 Wanderer Mahkota DEF% DEF ATK% Elemental

Mastery ATK

... ... ... ... ... ... ... ...

348 Gladiator Jam Elemental

Mastery DEF HP ATK Crit

Damage

349 Gladiator Gelas ATK% HP DEF HP% ATK

b. Preprocessing Data

Setelah data dikumpulkan data dilakukan pelabelan supaya dapat dilakukan klasifikasi dan menghitung akurasi dari algoritma naive bayes classifier. Pelabelan data berdasarkan dua jenis class yaitu ; Bagus dan Buruk. Penentuan artefak bagus dan buruk berdasarkan kesesuaian atribut artefak pada saat digunakan oleh pemain, dalam hal ini berdasarkan pengalaman Domain Expert.

No Nama Set Jenis Main Stat Sub Stat 1 Sub Stat 2

Sub Stat 3

Sub Stat

4 Class 1 Gladiator Gelas

Cryo Damage

Bonus

HP% Elemental

Mastery ATK% Crit

Damage Bagus 2 Wanderer Mahkota DEF% DEF ATK% Elemental

Mastery ATK Buruk

... ... ... ... ... ... ... ... ...

348 Gladiator Jam Elemental

Mastery DEF HP ATK Crit

Damage ^Buruk

349 Gladiator Gelas ATK% HP DEF HP% ATK Buruk

. Setelah data dilabeli data disimpan dalam format csv supaya dapat diinputkan kedalam VS Code.

9 selanjutnya dilakukan transformasi dari data kategorikal menjadi data numerik agar dapat dilakukan proses klasifikasi

10 Selanjutnya data dibagi 2 menjadi data training dan data testing data training dan data testing dibuat dengan rasio 80% dari dataset untuk data training dan 20% dari dataset untuk data testing.

c. Proses Data

Membaca tabel data training

Pemprosesan data menggunakan algoritma naive bayes classifier diawali dengan membaca data training sebanyak 349 data.

Memiliki data yang ingin dicari label nya

Langkah yang kedua memiliki data yang ingin dicari labelnya atau disebut juga data testing Nama Set Jenis Main

Stat Sub Stat 1 Sub Stat 2 Sub Stat 3 Sub Stat 4 Wanderer Bulu ATK Crit Rate Elemental

Mastery ATK% HP

1. Mencari probabilitas prior dari data training

Langkah yang ketiga mencari probabilitas prior tiap kelas dari data training dengan persamaan 2.3 Mencari probabilitas kelas Bagus pada data training

𝑃(𝐵𝑎𝑔𝑢𝑠) = 𝑏𝑎𝑛𝑦𝑎𝑘 𝑘𝑒𝑙𝑎𝑠 𝑏𝑎𝑔𝑢𝑠

𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑙𝑎𝑠 𝑃(𝐵𝑎𝑔𝑢𝑠) = ¹¹⁸

349 𝑃(𝐵𝑎𝑔𝑢𝑠) = 0,338 Mencari probabilitas kelas Buruk pada data training

𝑃(𝐵𝑢𝑟𝑢𝑘) = 𝑏𝑎𝑛𝑦𝑎𝑘 𝑘𝑒𝑙𝑎𝑠 𝑗𝑒𝑙𝑒𝑘

𝑡𝑜𝑡𝑎𝑙 𝑘𝑒𝑙𝑎𝑠 𝑃(𝐵𝑢𝑟𝑢𝑘) = ²³¹

349 𝑃(𝐵𝑢𝑟𝑢𝑘) = 0,662

11 Mencari probabilitas bersyarat atau likehood

Langkah keempat mencari prbabilitas bersyarat atau likehood. Likehood dapat dihitung dengan mengalikan hasil dari masing – masingnilai probabilitas setiap atribut yang ingin dicari berdasarkan pada class yang ada.

𝑃(𝐵𝑎𝑔𝑢𝑠) = 𝑃(𝑊𝑎𝑛𝑑𝑒𝑟𝑒𝑟|𝐵𝑎𝑔𝑢𝑠) ∗ 𝑃(𝐵𝑢𝑙𝑢|𝐵𝑎𝑔𝑢𝑠) ∗ 𝑃(𝐴𝑇𝐾|𝐵𝑎𝑔𝑢𝑠)

∗ 𝑃(𝐶𝑟𝑖𝑡 𝑅𝑎𝑡𝑒|𝐵𝑎𝑔𝑢𝑠) ∗ 𝑃(𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙 𝑀𝑎𝑠𝑡𝑒𝑟𝑦|𝐵𝑎𝑔𝑢𝑠) ∗ 𝑃(𝐴𝑇𝐾%|𝐵𝑎𝑔𝑢𝑠)

∗ 𝑃(𝐻𝑃|𝐵𝑎𝑔𝑢𝑠) ∗ 𝑃(𝐵𝑎𝑔𝑢𝑠)

𝑃(𝐵𝑎𝑔𝑢𝑠) = 𝑃(0,559) ∗ 𝑃(0,229) ∗ 𝑃(0,229) ∗ 𝑃(0,136) ∗ 𝑃(0,102) ∗ 𝑃(0,161) ∗ 𝑃(0,051)

∗ 𝑃(0,338) 𝑃(𝐵𝑎𝑔𝑢𝑠) = 0.0000001128

𝑃(𝐵𝑢𝑟𝑢𝑘) = 𝑃(𝑊𝑎𝑛𝑑𝑒𝑟𝑒𝑟|𝐵𝑢𝑟𝑢𝑘) ∗ 𝑃(𝐵𝑢𝑙𝑢|𝐵𝑢𝑟𝑢𝑘) ∗ 𝑃(𝐴𝑇𝐾|𝐵𝑢𝑟𝑢𝑘)

∗ 𝑃(𝐶𝑟𝑖𝑡 𝑅𝑎𝑡𝑒|𝐵𝑢𝑟𝑢𝑘) ∗ 𝑃(𝐸𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙 𝑀𝑎𝑠𝑡𝑒𝑟𝑦|𝐵𝑢𝑟𝑢𝑘) ∗ 𝑃(𝐴𝑇𝐾%|𝐵𝑢𝑟𝑢𝑘)

∗ 𝑃(𝐻𝑃|𝐵𝑢𝑟𝑢𝑘) ∗ 𝑃(𝐵𝑢𝑟𝑢𝑘)

𝑃(𝐵𝑢𝑟𝑢𝑘) = 𝑃(0,481) ∗ 𝑃(0,147) ∗ 𝑃(0,147) ∗ 𝑃(0,074) ∗ 𝑃(0,065) ∗ 𝑃(0,082) ∗ 𝑃(0,156)

∗ 𝑃(0,662) 𝑃(𝐵𝑢𝑟𝑢𝑘) = 0.00000004233

2. Membandingkan nilai posterior tiap kelas

Langkah yang terakhir yaitu dibandingkan nilai antara 𝑃(𝐵𝑎𝑔𝑢𝑠) dan 𝑃(𝐵𝑢𝑟𝑢𝑘), karena nilai 𝑃(𝐵𝑎𝑔𝑢𝑠)

Nama Set Jenis Main Stat

Sub

Stat 1 Sub Stat 2 Sub Stat 3 Sub

Stat 4 Class

Wanderer Bulu ATK Crit Rate

Elemental

Mastery ATK% HP Bagus

d. Evaluasi Klasifikasi

12 Setelah dilakukan pembuatan model dan training maka perlu dilakukan evaluasi. Evaluasi dilakukan untuk mengukur kinerja algoritma naive bayes classifier dalam mengklasifikasi data. Evaluasi dilakukan menggunkan confusion matriks berdasarkan data testing yang telah digunakan. Pada kasus ini data testing yang digunakan sebanyak 70 data.

Confusion Matriks Hasil Klasifikasi

Bagus Buruk

Data Testing

Bagus 16 5

Buruk 4 45

Total 20 50

70

Akurasi = 𝑇𝑃 + 𝐹𝑃+𝑇𝑁+𝐹𝑁^{𝑇𝑃 + 𝑇𝑁} 𝑥100%

=

16 + 4+45+5^{16 + 45} 𝑥100%

=

⁶¹₇₀ 𝑥100%

=

0,871 atau 87,1%

Hasil perhitungan akurasi pada python dapat dilihat pada Gambar 4.8

KESIMPULAN

Berdasarkan penelitian yang telah dilakukan mengenai klasifikasi artefak pada game genshin impact menggunakan algoritma naive bayes classifier, maka dapat diambil kesimpulan sebagai berikut.

1. Algoritma Naive Bayes Classifier dapat digunakan untuk mengklasifikasikan artefak genshin impact dengan menggunakan atribut yang terdapat pada artefak. Atribut pada artefak yang digunakan dalam klasifikasi adalah Nama Set, Jenis, Main Stat, Sub Stat 1, Sub Stat 2, Sub Stat

13 3, Sub Stat 4. Data yang dipakai adalah data artefak Gladiator dan Wanderer sebanyak 349 data.

2. Klasifikasi yang dibuat dengan dataset berjumlah 349 data dibagi menjadi 80% sebagai data training (279 data) dan 20% sebagai data testing (70 data). Hasil klasifikasi data testing diperoleh sebanyak 16 data diklasifikasikan tepat sebagai positif dan sebanyak 45 data diklasifikasikan tepat sebagai negatif. Hasil pengukuran akurasi algoritma naive bayes classifier menggunakan confusion matriks manunjukkan hasil akurasi sebesar 87.1%.

SARAN

Berdasarkan temuan yang telah didapatkan, berikut saran untuk penelitian selanjutnya.

1. Penelitian selanjutnya diharapkan menggunakan set artefak lain karena setiap set artefak memiliki fungsi yang berbeda kepada karakter yang menggunakannya.

2. Penelitian selanjutnya diharapkan dapat membangun sistem sebagai implementasi sistem klasifikasi yang telah dibuat, sistem dapat dibuat dalam bentuk aplikasi mobile atau aplikasi web.

UCAPAN TERIMA KASIH

Penulis mengucapkan terimakasih kepada ibu Evfi Mahdiyah, S.Kom., MIT. Yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.

DAFTAR PUSTAKA

Agustini, & Kurniawan, W. J. (2019). Sistem E-Learning Do’a dan Iqro’ dalam Peningkatan Proses Pembelajaran pada TK Amal Ikhlas. Jurnal Mahasiswa Aplikasi Teknologi Komputer Dan Informasi, 1(3), 154–159.

http://www.ejournal.pelitaindonesia.ac.id/JMApTeKsi/index.php/JOM/article/view/526 Argario, H. B., Hidayat, N., & Dewi, R. K. (2018). Implementasi Metode Naive Bayes Untuk Diagnosis

Penyakit Kambing (Studi Kasus : UPTD. Pembibitan Ternak dan Hijauan Makanan Ternak Kec.

Singosari Malang) (Vol. 2, Issue 8). http://j-ptiik.ub.ac.id

Chao, M., & Chao Professor Morgan, M. (2021). Mechanics of Ascension Through Genshin Impact Mechanics of Ascension Through Genshin Impact Mechanics of Ascension Through Genshin Impact.

https://scholarworks.sjsu.edu/art108

Fauzy, A. (2019). Metode Sampling. In Molecules (Vol. 9, Issue 1).

http://jurnal.globalhealthsciencegroup.com/index.php/JPPP/article/download/83/65%0Ahttp://www .embase.com/search/results?subaction=viewrecord&from=export&id=L603546864%5Cnhttp://dx.doi .org/10.1155/2015/420723%0Ahttp://link.springer.com/10.1007/978-3-319-76

Hasanah, Q., Andrianto, A., & Hidayat, M. A. (2018). Sistem Informasi Posyandu Ibu Hamil dengan Penerapan Klasifikasi Resiko Kehamilan Menggunakan Metode Naïve Bayes (Implementing Classification Risk in Posyandu System Information for Pregnant Using Naïve Bayes Method).

Heryana, A. (2014). Hipotesis Penelitian. Eureka Pendidikan, June, 1.

https://doi.org/10.13140/RG.2.2.11440.17927

Kurniawan, Y. I. (2018). Perbandingan Algoritma Naive Bayes dan C.45 dalam Klasifikasi Data Mining. Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(4), 455. https://doi.org/10.25126/jtiik.201854803

Marcello, J. (2021). Aplikasi Uniform Cost Search untuk Minimaxing Artefak Karakter pada Gim “Genshin

14 Impact.”

Muhammad Rafli Aulia Rojani Lutfi, Humam Maulana Tsubasanofa Ramadhan, & Wahyu S. J. Saputra.

(2022). Penerapan Kecerdasan Buatan Dalam Pemilihan Artifact Pada Game Genshin Impact Dengan Logika Fuzzy Tsukamoto. Jurnal Ilmiah Ilmu Komputer, 8(2), 71–75.

https://doi.org/10.35329/jiik.v8i2.226

Nurdiana, D., & Suryadi, A. (2018). Perancangan Game Budayaku Indonesiaku Menggunakan Metode Mdlc.

Jurnal Petik, 3(2), 39. https://doi.org/10.31980/jpetik.v3i2.149

Rahmatika Basyasya, A. (2021). Penerapan Algoritma Decrease and Conquer untuk Penyortiran Artifact Fodder dalam Permainan Genshin Impact.

https://informatika.stei.itb.ac.id/~rinaldi.munir/Stmik/2020-

Roihan, A., Sunarya, P. A., & Rafika, A. S. (2020). Pemanfaatan Machine Learning dalam Berbagai Bidang:

Review paper. IJCIT (Indonesian Journal on Computer and Information Technology), 5(1), 75–82.

https://doi.org/10.31294/ijcit.v5i1.7951

Sharma, D. S. R. B. T. (2020). Practical Machine Learning with Python. https://doi.org/10.1007/978-1-4842- 5121-8

Suntoro, J. (2019). Data Mining Algoritma dan Implementasi dengan Pemprograman PHP.