Sistem Rekomendasi Item Pada Game Dota 2 dengan Multilayer Perceptron Neural Network

Vincentius Leonardo, Leo Willyanto Santoso, Alvin Nathaniel Tjondrowiguno

Abstract


Dota 2 adalah salah satu online game bergenre Multiplayer
Online Battle Arena yang paling populer di dunia. Dota 2
dimainkan antara dua tim berisi 5 orang, di mana masing -
masing tim harus saling menghancurkan markas satu sama lain
untuk menang. Pada awal permainan, tiap pemain memilih satu
karakter yang disebut “hero” yang masing - masing memiliki
kemampuan unik. Dalam permainan ini, para pemain bertujuan
untuk mengumpulkan resource berupa experience dan gold yang
akan digunakan untuk membantu menghancurkan markas dari
tim lawan. Gold digunakan untuk membeli item yang berfungsi
untuk memperkuat hero pemain masing – masing. Pada Dota 2
versi 7.16, terdapat lebih dari 150 jenis item unik dengan efek
yang beragam, sementara setiap pemain hanya bisa
menggunakan 6 item secara aktif.
Kombinasi item yang optimal tentunya sangat berpengaruh
dalam mencapai kemenangan dalam permainan Dota 2.
Menentukan kombinasi item yang paling optimal seringkali
tidak mudah, baik bagi pemula maupun pemain berpengalaman.
Oleh karena itu dibuatlah sistem rekomendasi untuk membantu
pemain menentukan pilihan item. Ada beberapa penelitian
sebelumnya terkait Dota 2 seperti sistem rekomendasi hero dan
juga sistem prediksi hero pada saat picking phase. Sistem
rekomendasi hero tersebut memiliki kekurangan di mana sistem
tersebut kurang diuji, sementara sistem prediksi hero tersebut
memiliki kekurangan yaitu akurasi yang rendah.
Pada skripsi ini dibuat sebuah sistem rekomendasi pemilihan
item dalam permainan Dota 2. Rekomendasi dihasilkan
berdasarkan association rule yang dicari menggunakan
algoritma Apriori menggunakan ribuan match data Dota 2.
Untuk mengevaluasi kualitas rekomendasi yang dihasilkan, telah
dilatih sebuah neural network jenis multilayer perceptron yang
mampu menentukan persentase kemenangan berdasarkan pilihan
item dengan akurasi sebesar 73,04%. Hasil dari pengujian
terhadap sistem rekomendasi adalah rata – rata win rate sebesar
82,97%.


Keywords


Dota 2;Apriori;Association Rule;Multilayer Perceptron

Full Text:

PDF

References


Agusta, Y. 2008, August 4. Association Rules. URI =

https://yudiagusta.wordpress.com/2008/08/04/associationrules/

Aklimovich. 2014, December 21. In Depth Dota 2

Itemization Guide. URI =

https://steamcommunity.com/sharedfiles/filedetails/?id=35

Hanke, L. & Chaimowicz, L. 2017. A Recommender

System for Hero Line-Ups in MOBA Games. Proceedings

of The Thirteenth AAAI Conference on Artificial

Intelligence and Interactive Digital Entertainment (AIIIDE-

.

Rao, S. & Gupta, R. 2012. Implementing Improved

Algorithm Over APRIORI Data Mining Association Rule

Algorithm. Proceedings of International Journal of

Computer Science and Technology, 489-493.

Raschka, S. 2018. MLxtend: Providing machine learning

and data science utilities and extensions to Python’s

scientific computing stack. The Journal of Open Source

Software, 3(24). URI =

http://joss.theoj.org/papers/10.21105/joss.00638.

Riedmiller, M. 1994. Advanced Supervised Learning in

Multi-Layer Perceptrons – From Backpropagation to

Adaptive Learning Algorithms. International Journal of

Computer Standards and Interfaces, 16.

Schubert, M., Drachen, A., & Mahlmann, T. 2016. Esports

Analytics Through Encounter Detection. Proceedings of the

MIT Sloan Sports Analytics Conference.

Summervile, A., Cook, M., & Steenhuisen, B. 2016. Draft-

Analysis of the Ancients: Predicting Draft Picks in DotA2

Using Machine Learning. Proceedings of Experimental AI

in Games: Papers from the AIIDE Workshop

TensorFlow. 2018. About TensorFlow. URI =

https://www.tensorflow.org/

TensorFlow. 2018. Keras. URI =

https://www.tensorflow.org/guide/keras

Wu, X. et al. 2007. Top 10 Algorithms in Data Mining.

Knowledge and Information Systems, 14(1), 1-37.


Refbacks

  • There are currently no refbacks.


Jurnal telah terindeks oleh :