Analisis Komparatif Logistic Regression, Decision Tree, dan Random Forest untuk Klasifikasi Engagement Pemain Game Online

Temawan, Nicolas (2026) Analisis Komparatif Logistic Regression, Decision Tree, dan Random Forest untuk Klasifikasi Engagement Pemain Game Online. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (742kB)
	PDF BAB_I.pdf Download (208kB)
	PDF BAB_II.pdf Download (265kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (242kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (364kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (216kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (210kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (567kB)
	Archive (ZIP) 00000073411_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Pesatnya pertumbuhan industri game online menghasilkan data perilaku pemain yang dapat dimanfaatkan untuk memahami tingkat engagement. Penelitian ini bertujuan membandingkan kinerja algoritma Logistic Regression, Decision Tree, dan Random Forest dalam mengklasifikasikan engagement pemain serta menganalisis karakteristik perilaku yang membedakan setiap tingkat engagement. Dataset dari Kaggle melalui tahapan pra-pemrosesan, analisis multikolinearitas menggunakan Variance Inflation Factor (VIF). Evaluasi model dilakukan menggunakan accuracy, precision, recall, F1-score, dan cross- validation. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan accuracy sebesar 91,36%, diikuti Decision Tree sebesar 90,72% dan Logistic Regression sebesar 82,64%. Analisis perilaku pemain menunjukkan bahwa SessionsPerWeek, AvgSessionDurationMinutes, PlayerLevel, dan AchievementsUnlocked merupakan fitur yang membedakan tingkat engagement secara signifikan, dengan frekuensi bermain dan durasi sesi sebagai faktor paling dominan. Penelitian ini menunjukkan bahwa pendekatan machine learning efektif tidak hanya untuk mengklasifikasikan tingkat engagement, tetapi juga untuk memahami karakteristik perilaku pemain.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Temawan, Nicolas (00000073411)
Contributors:	Wiratama, Yustinus Widya (0305128901)
Keywords:	Decision Tree, engagement pemain, klasifikasi, Logistic Regression, machine learning, Random Forest
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	20 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47765

Actions (login required)

View Item