47 16
Submenu file 17
Submenu help
3.7 Spesifikasi Hardware dan Software
Pada tahap implementasi spesifikasi hardware dan software yang digunakan adalah sebagai berikut :
1. Software a. Sistem Operasi : Microsoft Windows 7 Ultimate 32-bit
b. Software : Matlab versi 8.0.0.783R2012b 2. Hardware
a. Processor : Intel® Celeron® CPU 877 1.40GHz b. RAM
: 2GB c. Harddisk : 320 GB
48
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 , GPMgold 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 , GPMgold 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 , GPMgold per
minute dan XPM experience per minute yang tinggi untuk cepat menaikan level serta membantu
menghambat Carry lawan berkembang. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50 berkutik.
1. Perbandingan akurasi tanpa Principal Component AnalysisPCA 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,GPMgold per minute dan XPMexperience 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,GPMgold per minute dan XPMexperience 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
Gambar 4. 2 grafik akurasi tanpa PCA
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 Single-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 AnalysisPCA 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. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 PCAprincipal
component analysis , dalam percobaan menggunakan data reduction belum dapat melebihi akurasi tanpa menggunakan PCAprincipal 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. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Tabel 4. 5 Hasil akurasi dari normalisasi
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.
4.2 Hasil Cluster dan Pengujian Confusion Matrix
Kategori