Implementasi Metode Random Forest Untuk Memprediksi Survive Time Pemain Pubg Mobile Menggunakan Framework Flask

Abstract

Perkembangan teknologi pada saat ini terjadi sangat pesat yang membawa banyak perubahan dan pengaruh dalam kehidupan manusia. Salah satunya yaitu sektor hiburan yang mengalami perkembangan dari masa ke masa berupa audio, visual, maupun audio visual sehingga para pengguna dapat memenuhi kebutuhan hiburan dengan mudah. Inovasi dari perkembangan teknologi dalam bidang hiburan adalah game. lndustri game sedang mengalami perkembangan yang sangat pesat dari berbagai macam genre game dapat dimainkan secara online sehingga perkembangan komunitas video game online yang semakin tinggi membuat video game online dikenal menjadi e-sports (electronic sports), PUBG Mobile menjadi game yang sangat dinikmati dengan memiliki konsep permainan survive, dimana para pemain harus bertahan hidup selama mungkin dengan perlengkapan dan senjata untuk memenangkan pertandingan. Tujuan dalam penelitian ini adalah untuk memprediksi survive time pemain PUBG Mobile dengan mengimplementasi algoritma Random Forest dalam suatu web application. Variabel independent yang mempengaruhi survive time pemain PUBG Mobile adalah Name, Team, Match, WWCD, Elims, Placement, Max elim range, In Damage, Heal, Headshot, Drive distance, Death, Damage, Assist, Air drop, Moving distance, Region, Week, Day. Random Forest merupakan algoritma pengembangan dari Decision Tree model Classification and Regression Tree (CART). Model Random, Forest dianalisis dengan bahasa pemrograman python dan diaplikasikan menjadi sebuah website dengan menggunakan framework flask. Berdasarkan basil analisis random forest menggunakan data training dan data testing, model random forest regressor dengan menggunakan parameter default menghasilkan akurasi sebesar 91,45%. Dalam meningkatkan akurasi dilakukan tuning parameter untuk mendapatkan parameter optimal antara lain: n_estimators (ntree) optimal sebanyak 140 pohon dan parameter min_samples_leaf (mtry) optimal sebanyak 4 variabel. Dilakukan pelatihan kedua dengan membuat model random forest regressor menggunakan parameter optimal dari hasil tuning parameter sehingga didapatkan akurasi sebesar 92,24%.