Analisis Sentimen Game Online League of Legends dan Mobile Legend Bang-Bang dengan Decision Tree dan Random Forest Menggunakan SMOTE

Bryan, Bryan (2024) Analisis Sentimen Game Online League of Legends dan Mobile Legend Bang-Bang dengan Decision Tree dan Random Forest Menggunakan SMOTE. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (852kB)
	PDF BAB_I.pdf Download (431kB)
	PDF BAB_II.pdf Download (913kB)
	PDF BAB_III.pdf Download (390kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (260kB)
	PDF DAFTAR_PUSTAKA.pdf Download (467kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (779kB)

Abstract

Mobile Legends Bang-Bang dan League of Legend merupakan dua game online yang pada saat ini mempunyai minat yang tinggi dari para pemain game sementara itu, game online yang sejenis makin banyak hadir. Oleh karena itu, Pengembang aplikasi MLBB dan LOL memerlukan sebuah wawasan mengenai aplikasi mereka baik pada kelebihan ataupun kekurangan yang dapat membantu perkembangan aplikasi game online MLBB dan LOL tersebut kedepannya. Penelitian sentimen merupakan cara yang dapat dilakukan dalam membantu pengembang aplikasi dengan tujuan mengetahui sentimen mayoritas dari para pemain sehingga dapat memberikan wawasan mengenai kelebihan dan kekurangan yang ada. Penelitian ini juga akan menggunakan teknik oversampling SMOTE dikarenakan data yang digunakan tidak seimbang atau imbalance. Model terbaik pada penelitian ini adalah Random Forest dengan menggunakan teknik oversampling SMOTE dengan akurasi tertinggi mencapai 96% untuk aplikasi MLBB dan 89% untuk aplikasi LOL. Sebelumnya model Random Forest tanpa menggunakan SMOTE hanya memiliki akurasi tertinggi 68% untuk aplikasi MLBB dan 69% untuk aplikasi LOL. Hasil penelitian menemukan bahwa mayoritas sentimen aplikasi Mobile Legends Bang-Bang dan League of Legend adalah positif namun kedua aplikasi tersebut mempunyai kekurangan dalam hal kestabilan jaringan pada saat permainan berlangsung. Menurut hasil tersebut juga dapat dinyatakan bahwa teknik oversampling SMOTE mampu meningkatkan kinerja performa model dengan baik untuk algoritma Random Forest dan Decision Tree.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Analisis Sentimen, Decision Tree, SMOTE, Random Forest
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	09 Nov 2024 11:22
Last Modified:	09 Nov 2024 11:22
URI:	https://kc.umn.ac.id/id/eprint/33795

Actions (login required)

View Item