JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Yoga Naufal Ray Putro 1*.
Aidil Afriansyah 2*.
Radhinka Bagaskara 3* * Teknik Informatika.
Institut Teknologi Sumatera Email coresponden yoga.
14117099@student.
Abstrak.
Perkembangan teknologi dan internet membuat popularitas game online seperti Mobile Legends semakin meningkat.
Namun dalam kompetisi seringkali pemain mengalami kekalahan karena berbagai faktor, antara lain skill pemain, strategi tim, dan pemilihan hero yang tepat.
Pemilihan hero yang tepat sangat penting untuk meningkatkan peluang kemenangan.
Oleh karena itu.
Mobile Legends Professional League (MPL) menjadi fokus tim-tim kompetitif di seluruh dunia.
Penelitian ini bertujuan untuk mengetahui klasifikasi kemenangan pada pertandingan MPL berdasarkan draft pick.
Gaussian Nayve Bayes dan Decision Tree digunakan sebagai model algoritma klasifikasi dalam penelitian ini.
Proses dalam penelitian ini meliputi pembersihan data, transformasi data .
, penanganan data yang tidak seimbang, penskalaan, pemisahan, dan hyperparameter.
Tahap evaluasi menggunakan matriks konfusi, data korelasi, dan kurva AUROC.
Hasil penelitian ini menunjukkan bahwa metode Decision Tree memiliki kinerja yang lebih baik dibandingkan Gaussian Nayve Bayes dalam mengklasifikasikan data menggunakan matriks konfusi.
Analisis AUC .
rea under the receiver operating character curv.
menunjukkan bahwa pohon keputusan memiliki kinerja yang lebih baik dibandingkan Gaussian naif Bayes dalam memprediksi data positif dan negatif.
Hal ini ditunjukkan dengan nilai AUC yang lebih tinggi untuk Decision Tree yaitu sebesar 0,67 dibandingkan dengan Gaussian Nayve Bayes yaitu sebesar 0,48.
Model klasifikasi dengan nilai AUC yang lebih tinggi dapat membedakan data positif dan negatif dengan lebih akurat.
Pada penelitian ini Decision Tree memiliki nilai AUC yang lebih tinggi dibandingkan Gaussian Nayve Bayes sehingga Decision Tree dapat mengklasifikasikan data kemenangan dan kekalahan dengan lebih akurat.
Kata Kunci : Mobile Legends.
Classification.
Gaussian Nayve Bayes.
Decision Tree.
Draft Pick.
Abstract.
The development of technology and the internet has increased the popularity of online games, such as Mobile Legends.
However, in competitions, players often experience defeat due to various factors, including player skills, team strategies, and the right hero selection.
The right hero selection is very important to increase the chances of winning.
Therefore, the Mobile Legends Professional League (MPL) has become a focus for competitive teams around the world.
This study aimed to determine the classification of victory in MPL matches based on draft pick.
Gaussian Nayve Bayes and Decision Tree were used as classification algorithm models in this study.
The process in this study included cleaning data, data transformation .
, handling imbalanced data, scaling, splitting, and hyperparameter.
The evaluation stage used confusion matrix, correlation data, and AU-ROC curve.
The results of this study showed that the Decision Tree method had better performance than Gaussian Nayve Bayes in classifying data using the confusion matrix.
The AUC .
rea under the receiver operating characteristic curv.
analysis showed that the decision tree had better performance than Gaussian naive Bayes in predicting positive and negative data.
This is indicated by the higher AUC value for the Decision Tree, which is 0.
67 compared to Gaussian Nayve Bayes which is 0.
Classification models with higher AUC values can more accurately distinguish between positive and negative In this study, the Decision Tree had a higher AUC value than Gaussian Nayve Bayes so the Decision Tree could more accurately classify victory and defeat data.
Keyword : Mobile Legends.
Classification.
Gaussian Nayve Bayes.
Decision Tree.
Draft Pick.
PENDAHULUAN
Teknologi informasi saat ini berkembang sangat cepat, di mana kebutuhan manusia terpenuhi untuk mempermudah pekerjaan, memenuhi kebutuhan hiburan bahkan memenuhi kebutuhan manusia dalam hal olahraga.
Bermacam produk teknologi informasi dikembangkan sebagai inovasi yang Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 menambah fasilitas maupun fitur pada produk teknologi yang sudah ada.
Era Revolusi industri yaitu era revolusi industri yang ditandai dengan kemajuan teknologi yang sangat pesat pada setiap komponen kehidupan.
Salah satu teknologi yang perkembangannya sangat pesat yaitu telepon genggam atau handphone berkembang menjadi smartphone.
Teknologi seperti ini juga telah menjadi kebutuhan setiap orang terlebih bagi mahasiswa.
Teknologi bagi mahasiswa bukan hanya untuk mencari dan mendapatkan informasi, tetapi juga digunakan untuk kepentingan hiburan semata seperti bermain game online .
Dibandingkan jumlah pengguna game, jumlah pengembang lokal ternyata cenderung lebih lambat, sehingga pengguna game di Indonesia masih banyak menikmati game buatan dari luar Indonesia .
Pesatnya perkembangan Mobile Legends ditunjukkan dengan jumlah pemain terdaftar yang mencapai 1 miliar .
Namun seiring berjalannya waktu, game online kini tidak hanya tersedia di komputer atau laptop saja akan tetapi juga tersedia di smartphone, sehingga memungkinkan pengguna untuk lebih banyak menghabiskan waktunya untuk bermain game online.
Beberapa jenis genre game online dalam smartphone banyak ditawarkan oleh para pengembang, diantaranya adalah Massively Multiplayer Online Role Playing Game (MMORPG).
Massively Multiplayer Online Real Time Strategy (MMORTS).
Massively Multiplayer Online First Person Shooter (MMOFPS), dan Multiplayer Online Battle Arena (MOBA) .
Mobile Legends Bang-Bang yang telah menjadi cabang turnamen pada Asian Games dan juaranya pun berasal dari Indonesia.
Game yang dirilis oleh perusahaan pembuat game.
AoMoontonAo, pada tahun 2016 ini sukses memikat hati para gamers Indonesia baik yang amatir maupun profesional.
Melihat minat yang sangat tinggi dari masyarakat Indonesia terhadap game keluarannya, sebagai bentuk apresiasi AoMoontonAo tidak tanggung-tanggung hingga merilis dua hero asal Indonesia, yakni AoGatotkacaAo yang berasal dari tokoh pewayangan dan AoKaditaAo yang mengambil figur legenda Penguasa Laut Selatan .
Pada Mobile Legends ini banyak mode permainannya, terdapat beberapa mode permainan dalam game Mobile Legend ini yaitu: Classic.
Brawl.
VS Ai.
Custom.
Ranked, dan yang baru adalah Magic Chess.
Pada beberapa kasus dalam permainan Ranked Match sering banyak pemain yang mengeluh dikarenakan peringkat game mereka terus menurun yang diakibatkan oleh kekalahan dalam permainan mode Ranked .
Mobile Legends Bang Bang atau disingkat AoMLBBAo sendiri telah memiliki lebih dari 100 hero yang dapat dimainkan sehingga membuat game dengan sistem 5 versus 5 ini menjadi sangat bervariasi.
Selain hero, pemain juga dapat menyusun set item dan emblem yang mampu meningkatkan performa dari hero yang dipakai.
Dari keberagaman variasi tersebut maka terdapat banyak pula kombinasi yang mampu membawa tim menuju kemenangan, maka dari itu dibutuhkanlah sebuah aplikasi pendukung untuk menentukan penggunaan kombinasi role hero agar memiliki win rate atau kemungkinan menang yang tinggi .
Beberapa kasus permainan Ranked Match banyak pemain yang mengeluh karena rank mereka terus turun akibat dari kekalahan dalam permainan.
Beberapa faktor penyebab kekalahan dari permainan mereka.
Contoh faktor permasalahan tersebut antara lain: penguasaan hero yang belum matang atau mencoba hero baru di ranked match, build item atau pemilihan equipment yang salah, koneksi jaringan yang kurang stabil namun dipaksa untuk bermain ranked match, dan susunan tim yang salah atau kurang optimal .
Kesulitan permainan justru meningkatkan pengguna karena developer game selalu memperbaharui tampilan, fitur dan menambahkan hero-hero yang baru, yang mana membuat pengguna tidak akan merasa bosan bahkan sebaliknya pengguna akan semakin sering memainkan permainan ini untuk mendapatkan hero-hero yang pemain inginkan .
Masalahnya kebanyakan pemain mengeluh karena ranked match mereka terus menurun akibat dari kekalahan dalam permainan.
Berdasarkan kasus tersebut peneliti mendapatkan beberapa faktor penyebab kekalahan dari permainan mereka.
Contoh permasalahan tersebut antara lain: tidak dapat memaksimalkan performa dari hero yang dimiliki, strategi kurang tepat, anggota tim banyak yang Keberagaman variasi tersebut maka terdapat banyak kombinasi yang bisa membawa tim merebut kemenangan.
Maka dari itu diperlukan suatu aplikasi pendukung untuk mengoptimalkan Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 susunan pemain agar memiliki kemungkinan menang yang tinggi, dan diharapkan dapat sebagai solusi bagi pemain pemula yang masih meraba-raba.
Komposisi tim yang tepat atau untuk pengikut lomba, mereka dapat mengklasifikasi kemenangan dengan pemilihan hero dan susunan yang tepat.
Pohon klasifikasi dan pohon keputusan adalah teknik populer dalam data mining.
Setelah proses klasifikasi, keputusan alami terbentuk, meskipun sering kali digunakan terpisah sebagai pohon klasifikasi atau pohon keputusan.
Pohon keputusan digunakan untuk meramalkan kategori objek dengan mempertimbangkan nilai atribut mereka.
Klasifikasi Gaussian Nayve Bayes yang didasarkan pada Teorema Bayes, telah menunjukkan kinerja yang sebanding dengan pohon keputusan dan beberapa jaringan saraf terpilih dalam studi perbandingan algoritma klasifikasi.
Penggunaan klasifikasi Gaussian Nayve Bayes pada basis data besar juga telah terbukti memiliki akurasi dan kecepatan yang tinggi.
Klasifikasi Gaussian Nayve Bayes mengoperasikan asumsi bahwa efek dari atribut pada suatu kelas adalah independen dari atribut lainnya, yang dikenal sebagai independen kondisional terhadap kelas.
Asumsi ini dilakukan untuk mempermudah perhitungan, dan karena itu sering dianggap AonaifAo.
Menggunakan kedua algoritma tersebut diharapkan penelitian ini nantinya akan mengurangi tingkat kekalahan tim dalam hal memenangkan permainan dan mampu memberikan informasi kepada anggota tim untuk memilih pahlawan yang tepat.
Berdasarkan pada latar belakang tersebut, maka penelitian ini dilakukan sebagai klasifikasi kemenangan tim dalam game mobile legends dengan menggunakan algoritma Gaussian Nayve Bayes & Decision Tree.
METODOLOGI PENELITIAN
Konteks permainan Mobile Legends, terdapat permasalahan yaitu, sering kali terjadi pemilihan hero yang tidak terkoordinasi atau penerapan taktik yang tidak sesuai, yang dapat menyebabkan dampak merugikan terhadap kinerja tim dan pengalaman keseluruhan dalam pertandingan.
Tujuan dari perbandingan antara algoritma Gaussian Nayve Bayes dan Decision Tree dalam konteks pemilihan hero pada permainan Mobile Legends adalah untuk mengevaluasi efektivitas kedua metode dalam merekomendasikan pilihan hero yang optimal berdasarkan komposisi tim lawan dan karakteristik hero yang ada.
Dataset yang digunakan untuk melakukan penelitian penggunaan algoritma Gaussian Nayve Bayes dan decision tree untuk klasifikasi tingkat kemenangan pada game mobile legends adalah data yang didapat dengan melihat secara langsung hasil pertandingan pada turnamen nasional yaitu MPL ID Season 11.
M4 World Championship, & MPL PH Season 11 dengan pembaharuan game 1.
68 pada 22 Maret 2023.
Mulai Data Collecting Data Cleaning Transformasi Data Handling Imbalance Data Scaling Data Splitting Data Klasifikasi Decision Tree Selesai Kesimpulan & Saran Analisis dan Evaluasi Hasil Pengujian Parameter sudah sesuai tuning? Nayve Bayes Hyperparameter Tuning Gambar 1.
Rancangan Model Decision Tree Dalam menentukan pohon keputusan langkah awal yang dilakukan yaitu menghitung nilai entropy sebagai penentu tingkat ketidakmurnian atribut dan nilai information gain.
Menghitung nilai entropy dapat menggunakan rumus seperti sebagai berikut:
ycu yaycuycycycuycyyc.
cI) = Oc ycyycn O log 2 ycyycn ycn=1 Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Menentukan nilai information gain dapat menggunakan rumus sebagai berikut:
ycu yaycaycnycu.
cI, y.
= yaycuycycycuycyyc.
cI) Oe Oc ycn=1 .
cIycn | O yaycuycycycuycyyc.
cycn ) .
cI| .
Gaussian Nayve Bayes Gaussian Nayve Bayes adalah salah satu algoritma klasifikasi yang menggunakan data dengan target kelas atau label yang berupa nilai kategorial atau nominal.
Gaussian Nayve Bayes merupakan salah satu classifier sederhana didasarkan pada teorema bayes.
Gaussian Nayve Bayes untuk klasifikasi adalah salah satu metode paling umum dan penting dalam menghitung probabilitas dan Distribusi Gaussian hasil sebagai berikut:
ycE .
cUycn ) = yuOo2yuU yceycuycy .
cU OeyuN)2 Oe ycn 2 2yu Dimana, adalah rata-rata dengan rumus sebagai berikut:
yuN= Ocycuycn=1 ycuycn ycu Dan adalah standar deviasi.
Untuk mendapatkan nilai dapat menggunakan rumus berikut .
yu2 = Ocycuycn=1.
cuycn Oe yuN)2 ycuOe1 Berikut metode yang digunakan untuk melakukan analisis dan evaluasi :
Confusion Matrix adalah alat ukur berbentuk matrix yang digunakan untuk mendapatkan jumlah ketepatan klasifikasi terhadap kelas dengan algoritma yang dipakai .
Secara visual, confusion matrix terlihat seperti Tabel 1 .
Tabel 1.
Confusion Matrix Prediksi Positif Prediksi Negatif Aktual Positif Aktual Negatif Confusion Matrix menunjukkan nilai TP .
rue positiv.
dan TN .
rue negativ.
, yang menggambarkan ketepatan klasifikasi.
Semakin tinggi nilai TP dan TN, semakin baik tingkat accuracy, precision, dan recall.
Label prediksi yang benar dan nilai sebenarnya yang salah disebut false positive (FP), sedangkan prediksi yang salah dan nilai sebenarnya yang benar disebut false negative (FN).
Formulasi untuk menghitung accuracy, precision, recall, dan f1-score pada model klasifikasi pada rumus berikut:
cNycE ycNycA) .
cNycE ycNycA yaycE yaycA) ycNycE ycEycyceycaycnycycnycuycu(%) = .
cNycE yaycA) ycNycE ycIyceycaycaycoyco(%) = .
cNycE yaycA) .
cIyceycaycaycoyco O ycEycyceycaycnycycnycuyc.
ya1 Oe ycIycaycuycyce(%) = 2 O .
cIyceycaycaycoyco ycEycyceycaycnycycnycuyc.
ycaycaycaycycycaycayc(%) = Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Confusion matrix membantu dalam mengevaluasi seberapa baik model melakukan prediksi yang Dengan informasi dari confusion matrix, kita dapat mengukur kinerja model menggunakan metrik seperti akurasi, presisi, recall, dan F1-score.
Area Under the Receiver Operating Characteristic (AU-ROC) adalah metrik evaluasi yang mengukur seberapa baik model klasifikasi dapat membedakan antara dua kelas yang berbeda.
Ini mengukur area yang tercakup di bawah kurva ROC, yang mencerminkan kinerja keseluruhan model dalam mengidentifikasi dengan benar data positif dan negatif.
Semakin besar nilai AUROC, semakin baik kemampuan model dalam membedakan antara kelas positif dan negatif.
AUROC adalah nilai numerik antara 0 dan 1, di mana nilai 1 menunjukkan klasifikasi sempurna dan 5 menunjukkan klasifikasi acak .
Data Correlation Korelasi Data adalah salah satu metode statistik yang digunakan untuk mengukur sejauh mana ada hubungan atau korelasi antara dua variabel.
Pada tahapan ini metode yang digunakan adalah AoSpearmanAo, metode ini menggunakan peringkat data alih-alih nilai aktual.
Dalam situasi di mana data tidak mematuhi distribusi normal bivariat atau memiliki sifat ordinal, koefisien korelasi Spearman sering kali dipilih sebagai metode yang lebih tepat untuk mengukur hubungan antara dua HASIL DAN PEMBAHASAN Hasil penelitian yang telah dilakukan terdiri dari model Gaussian Nayve Bayes.
Decision Tree, hasil pengujian Gaussian Nayve Bayes.
Decision Tree dan Confusion Matrix.
Data Correlation, serta kurva AU-ROC.
Dataset yang digunakan terbagi menjadi 2 jenis dan beberapa konfigurasi Hyperparameter telah diubah untuk mendapatkan hasil deteksi objek yang optimal.
Data Collection Pengumpulan dataset yang terdiri dari berbagai data terkait dengan pertandingan, pahlawan .
, dan tim.
Dataset ini mencakup beragam informasi yang relevan untuk analisis yang Data pertandingan mencakup detail tentang setiap pertandingan yang terjadi, seperti tanggal, waktu, tim, mvp, pick dan ban, dan hasilnya.
Dataset yang digunakan dalam penelitian ini berjumlah 442 data mencakup informasi, penelitian ini bertujuan untuk menganalisis hubungan antara pahlawan, tim, dan hasil pertandingan.
Pembersihan Data (Data Cleanin.
Pada tahapan ini dataset yang yang dikumpulkan dari berbagai sumber diperiksa, diperbaiki, dan diolah agar siap digunakan dalam analisis lebih lanjut.
Oleh karena itu, pembahasan proses dan hasil akan dijelaskan sebagai berikut:
Penanganan Nilai Hilang (Check Missing Valu.
Pada tahapan ini, pengecekan dilakukan dengan teliti terhadap seluruh dataset yang telah terkumpul untuk memastikan integritasnya.
Langkah awal yang diambil adalah untuk melakukan pengecekan apakah terdapat baris atau kolom yang memiliki nilai kosong atau hilang.
Tabel 2.
Check Missing Value Fitur time.
Nan value Fitur pick_blue_1 pick_blue_2 pick_blue_3 pick_blue_4 pick_blue_5 ban_blue_1 Nan value Fitur pick_red_1 pick_red_2 pick_red_3 pick_red_4 pick_red_5 ban_blue_1 Nan value Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 win_team ban_blue_2 ban_blue_3 ban_blue_4 ban_blue_5 ban_blue_2 ban_blue_3 ban_red_4 ban_red_5 Hasil pemeriksaan menunjukkan keberadaan data kosong dalam dataset.
Setiap baris dalam tabel mewakili fitur dalam dataset, dan kolom pertama menunjukkan jumlah data yang kosong (NaN) untuk setiap fitur.
Dari hasil pemeriksaan ini, dapat dilihat bahwa tidak ada data yang hilang dalam setiap fitur, ditandai dengan nilai "0" dalam kolom AoNan valueAo.
Ini menunjukkan bahwa dataset yang digunakan dalam penelitian telah diisi dengan data lengkap untuk semua fitur.
Pengecekan Duplikat Data Pemeriksaan ini menjadi esensial untuk memastikan integritas dan keandalan dataset yang digunakan dalam analisis lebih lanjut.
Tabel 3.
Duplikat Data Columns time.
win_team Index Columns pick_blue_1 pick_blue_2 pick_blue_3 pick_blue_4 pick_blue_5 ban_blue_1 ban_blue_2 ban_blue_3 ban_blue_4 ban_blue_5 Index Columns pick_red_1 pick_red_2 pick_red_3 pick_red_4 pick_red_5 ban_red_1 ban_red_2 ban_red_3 ban_red_4 ban_red_5 Index Hasil dari pemeriksaan duplikasi data menunjukkan bahwa dalam dataset yang sedang dianalisis, tidak ada baris yang memiliki duplikasi.
Setiap entri dalam dataset tersebut unik dan tidak ada data yang tampil lebih dari satu kali.
Kondisi ini menunjukkan integritas data yang baik, memungkinkan analisis yang lebih akurat dan andal.
Penghapusan Baris atau Kolom Tahapan penyempurnaan dataset, langkah penting yang diambil selanjutnya adalah penghapusan Sebelum melakukan itu berikut ini akan ditampilkan kolom .
sebelum dilakukan Tabel 4.
Sebelum Drop Kolom Column time.
win_team Column pick_blue_1 pick_blue_2 pick_blue_3 pick_blue_4 pick_blue_5 ban_blue_1 Column ban_blue_2 ban_blue_3 ban_blue_4 ban_blue_5 pick_red_1 pick_red_2 pick_red_3 Column pick_red_4 pick_red_5 ban_red_1 ban_red_2 ban_red_3 ban_red_4 ban_red_5 Setelah mengidentifikasi kolom yang tidak relevan, langkah selanjutnya adalah menjatuhkan kolom tersebut agar dataset hanya berisi atribut yang relevan dan berkontribusi pada analisis.
Tujuannya adalah menciptakan dataset yang lebih fokus dan ringkas.
Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Tabel 5.
Setelah Drop Kolom Column win_team pick_blue_1 pick_blue_2 pick_blue_3 pick_blue_4 pick_blue_5 Column pick_red_1 pick_red_2 pick_red_3 pick_red_4 pick_red_5 Hasil dari pemeriksaan duplikasi data menunjukkan bahwa dalam dataset yang sedang dianalisis, tidak ada baris yang memiliki duplikasi.
Setiap entri dalam dataset tersebut unik dan tidak ada data yang tampil lebih dari satu kali.
Kondisi ini menunjukkan integritas data yang baik, memungkinkan analisis yang lebih akurat dan handal.
Penyertaan data yang tepat akan melibatkan pemilihan pahlawan oleh kedua tim .
im biru dan tim mera.
dan hasil akhir pertandingan yang menunjukkan apakah tim tersebut menang atau kalah.
Ini akan mempermudah analisis terkait dengan pemilihan pahlawan dan dampaknya terhadap hasil pertandingan, serta membantu dalam pengembangan model atau algoritma klasifikasi berdasarkan data tersebut.
Dengan kata lain, proses pembersihan data ini telah menyederhanakan data untuk memungkinkan analisis yang lebih efisien dan relevan.
Transformasi Data Binary-label Encoder Pada tahapan ini mengubah nilai dalam kolom 'win_team' berdasarkan kondisi.
Dimana pada kolom Aowin_teamAo ini mengacu kepada kolom sebelumnya yaitu AoblueAo dan AoredAo.
Tabel 6.
Daftar Tim
Team
BLCK
BREN
BURN
ECHO
FCON
INC
MDH
MVG
NXPE
OMG
ONIC
Index
Team
ONIC_PH
RRQ
RRQA
RSG
RSG_PH
S11
TDK
THQ
TNC
Index Setelah itu, nama tim tersebut diubah berdasarkan kolom kemenangan yang berhubungan dengan kolom AobiruAo dan AomerahAo.
Apabila nilai dalam kolom 'biru' sama dengan nilai dalam kolom 'kemenangan', maka nilai 'tim_pemenang' diubah menjadi 0.
jika tidak, diubah menjadi 1.
Berikut adalah hasil one-hot encoding:
Tabel 7.
Binary-label Encoder win_team A Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Transformasi ini dilakukan dengan memberikan representasi biner, yaitu 0 atau 1, yang mengindikasikan tim pemenang berdasarkan perbandingan antara kolom 'blue' dan 'win'.
Ketika tim yang terdapat dalam kolom 'blue' dan kolom 'win' sama, maka nilai pada kolom 'win_team' diubah menjadi '1'.
Sebaliknya, jika tidak sama, nilai pada kolom 'win_team' akan diubah menjadi '0'.
Multi-label Encoder Kemudian, langkah selanjutnya yang dilakukan adalah penerapan teknik Multi-label encoder pada setiap kolom AopickAo dalam dataset.
Teknik ini memiliki peran penting dalam mengubah label multi-label ke dalam format yang dapat dengan mudah dipahami dan diolah oleh algoritma pembelajaran mesin.
Tabel 8.
Daftar Sample Hero (Pahlawa.
Tabel ini menggambarkan 5 data awal dan 5 data akhir, di mana dapat dilihat indeks untuk 9 yaitu adalah AoatlasAo, dan indeks ke 8 yaitu AoarlottAo.
Tujuan dengan adanya perubahan multi-label ini adalah agar dataset menjadi format yang lebih mudah diakses dan diinterpretasikan oleh algoritma pembelajaran mesin yang digunakan dalam penelitian ini.
Tabel 9.
Multi-label Encoder pick_blue pick_blue pick_blue pick_blue pick_blue A pick_red A pick_red A pick_red A pick_red A pick_red A Hasil dari proses Multi-label encoding pada dataset menciptakan representasi baru untuk setiap kolom draft .
emilihan her.
dalam dataset.
Hasil ini merupakan perubahan dari multi-label menjadi kode numerik yang sesuai.
Setiap angka dalam tabel mewakili suatu hero yang dipilih dalam draft.
Dengan representasi ini, algoritma pembelajaran mesin dapat lebih mudah mengolah dan memahami data pick dalam konteks permainan.
Hal ini bertujuan untuk mempermudah penggunaan data oleh algoritma pembelajaran mesin dalam melakukan analisis dan klasifikasi terkait permainan Mobile Legends.
Penanganan Data Tidak Seimbang (Balancing Dat.
Setelah melakukan transformasi data, langkah selanjutnya adalah menyeimbangkan data.
Label data dalam penelitian ini terbagi menjadi dua kategori, yaitu 'biru' dan 'merah'.
Selanjutnya, jumlah data 'tim_pemenang' dihitung untuk kedua kategori.
Pada tahap ini, teknik yang diterapkan untuk menangani keseimbangan data adalah "pengurangan sampel" atau undersampling.
Dalam proses Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 ini, peneliti mengurangi jumlah sampel dari kelas mayoritas, yaitu 'biru' dengan total data 229 dan 'merah' dengan total data 213, untuk menyesuaikannya dengan jumlah data pada kelas minoritas.
Hal ini dilakukan untuk mengurangi ketimpangan antara kelas mayoritas dan kelas minoritas.
Tabel 10.
Sebelum Balancing Data win_team count setelah diketahui adanya data yang tidak seimbang, yaitu AoblueAo, kemudia divisualisasikan dengan diagram batang pada gambar berikut:
Gambar 2.
Diagram Batang sebelum Balancing Data Selanjutnya setelah melihat adanya ke tidak setimbangan data antara Aoblue_timAo dan Aored_timAo pada gambar di atas terlihat bahwasanya pada Aoblue_timAo terdapat 229 data dan Aored_timAo terdapat 213 data.
Setelah dilakukan proses undersampling berikut didapatkan bahwasanya antara data Aoblue_timAo dan Aored_timAo menjadi seimbang, terlihat seperti berikut:
Tabel 11.
Setelah Balancing Data win_team Selanjutnya, sebagai langkah untuk mengkaji sejauh mana keseimbangan data yang ada, peneliti memutuskan untuk memberikan visualisasi yang lebih jelas melalui penggunaan diagram batang Gambar 3.
Diagram Batang setelah Balancing Data Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Pada tahap akhir, hasil penyeimbangan dicetak dan divisualisasikan melalui diagram batang, memberikan pandangan visual tentang efek dari transformasi yang telah dilakukan.
Pada Gambar 4 di atas dijelaskan dataset berhasil disesuaikan untuk mengatasi ketidakseimbangan kelas target dengan menerapkan teknik undersampling.
Di mana ini menghasilkan distribusi kelas yang lebih merata untuk Aoblue_timAo dan Aored_timAo menjadi 213 data dan siap untuk analisis lebih lanjut.
Dengan demikian, dataset telah diolah dengan sukses untuk keperluan analisis lebih lanjut atau pengembangan model.
Pembagian Data (Splitting Dat.
Tahapan berikutnya adalah mengoptimalkan kinerja model pada data baru dengan proses splitting data.
Dataset awal berisi 442 data, kemudian dibagi menjadi dua subset dengan perbandingan 80% untuk data training .
dan 20% untuk data testing .
Langkahlangkah pembagian data training dan testing dijelaskan pada Tabel 12.
Tabel 12.
Splitting Data Training win_team Pada Tabel 11 didapatkan hasil splitting data untuk data training dengan jumlah rata 170 data untuk kedua tim.
Berikut akan divisualisasikan hasil splitting data train dengan menggunakan bar chart pada Gambar 4:
Gambar 4.
Diagram Batang Splitting Data Training Selanjutnya setelah data terbagi untuk data training.
Langkah selanjutnya membagi data untuk data testing dengan perbandingan datanya 20% dari data training, untuk lebih jelasnya dapat dilihat pada Tabel 13:
Tabel 13.
Splitting Data Testing win_team Setelah melihat splitting data untuk data testing dengan total untuk kedua tim yaitu 43 data, peneliti memvisualisasikannya pada Gambar 5:
Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Gambar 5.
Diagram Batang Spliting Data Testing Melihat pembagian seperti yang ditunjukkan dalam gambar di atas, terdapat 43 data untuk setiap tim dalam data testing, dengan total 86 data untuk data testing, dan 170 data untuk setiap tim dalam data training, dengan total 340 data untuk data training.
Pembagian ini dilakukan karena peneliti memisahkan total 442 data menjadi data testing dan training, dengan perbandingan 80% untuk data training dan 20% untuk data testing.
Proses ini menghasilkan empat subset, yaitu `X_train` dan `Y_train` untuk melatih model, serta `X_test` dan `Y_test` untuk menguji performa model pada data yang belum pernah terlihat sebelumnya.
Dengan membagi dataset menjadi sub-set pelatihan dan pengujian, data memiliki landasan yang kuat untuk pengembangan dan pengujian model.
Pengskalaan Data (Scaling Dat.
Langkah berikutnya adalah melakukan penyesuaian skala data, dikenal sebagai Scaling data.
Pada tahap ini menerapkan teknik MaxAbsScaler untuk mempertahankan proporsi relatif antara pilihan hero dalam draft tanpa mengubah rentang hero yang terpilih.
Hasil dari proses ini terdokumentasi dalam Tabel 14 berikut:
Tabel 14.
Scalling Data pick_blu A pick_blue A pick_blue A pick_blue A pick_blue A pick_red A pick_red A pick_red A pick_red A pick_red A Penggunaan MaxAbsScaler pada dataset tersebut dilakukan dengan tujuan untuk menjaga proporsi relatif antara pilihan hero dalam draft, tanpa mengubah rentang nilai dari pilihan hero yang telah dipilih.
MaxAbsScaler memungkinkan penyesuaian skala data tanpa menggeser distribusi Dengan kata lain, teknik ini mengukur relatif setiap nilai terhadap nilai tertinggi dalam Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Hyperparameter Tuning Pengoptimalkan parameter-parameter kunci dengan menggunakan AoParfitAo algoritma pembelajaran mesin demi mencapai hasil klasifikasi yang lebih baik dan akurat.
Parameter yang didapat setelah proses hyperparameter tuning dapat dilihat pada Tabel 15 berikut:
Tabel 15.
Hyperparameter Tuning Parfit Algoritma Gaussian Nayve Bayes Decision Tree Parameter 'var_smoothing':.
e-1, 1e-2, 1e-3, 1e-4, 1e-5, 1e-6, 1e7, 1e-8, 1e-9, 1e-.
, 'criterion':["gini","entropy"],'random_state':.
,2,10,20 ,30,.
, 'max_depth': .
,5,10,15,20,.
, 'splitter':['random','best'], 'max_features': ['auto', 'sqrt', 'log2'].
Best Parameter .
ar_smoothing=0.
criterion='entropy', max_depth=15, max_features='auto', random_state=1, splitter='random' Best Accuracy Melalui hyperparameter tuning.
Gaussian Nayve Bayes memperbaiki akurasi dengan mengatur 'var_smoothing' ke 0.
1, mencapai akurasi 0.
Decision Tree juga meningkatkan akurasi, dengan parameter terbaik 'max_depth= 10', 'max_featuresAo='auto', dan 'random_state=2', mencapai akurasi 0.
Hasil Pengujian Tahapan ini langsung mengarahkan fokus pada hasil pengujian model setelah proses tuning Meskipun tuning hyperparameter menggunakan metode AoparfitAo telah dilakukan, belum tentu parameter terbaik dan skor terbaik langsung diperoleh.
Oleh karena itu, langkah berikutnya adalah melatih model dengan parameter yang dihasilkan dari proses tuning tersebut pada Tabel 16 berikut:
Tabel 16.
Pengujian Model Algoritma Gaussian Nayve Bayes Decision Tree Best Parameter Best Accuracy Accuracy .
ar_smoothing=0.
criterion='entropy', max_depth=15, max_features='auto',ran dom_state=1, splitter='random' Hasil menunjukkan bahwa akurasi dari kedua algoritma tidak mengalami penurunan.
Pada algoritma Gaussian Nayve Bayes akurasi awal 0.
4883 meningkat menjadi 0.
49 setelah mengoptimalkan parameter 'var_smoothingAo=Ao0.
Hasil Pengujian Gaussian Nayve Bayes Hasil pengujian analisis tingkat akurasi klasifikasi yang diperoleh dari algoritma Gaussian Nayve Bayes Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Gambar 6.
Grafik Confusion Matrix Gaussian Naive Bayes Berikut perhitungan mencari nilai accuracy dari setiap label :
yaycaycaycycycaycayc = .
23 22 .
= 0.
488372093023 49%
Selanjutnya untuk perhitungan nilai precision dari setiap label :
ycEycyceycaycnycycnycuycu yaAycoycyce ycNyceycayco = .
= 0.
488372093023 49%
ycEycyceycaycnycycnycuycu ycIyceycc ycNyceycayco = .
= 0.
4888888888889 49% Perhitungan untuk nilai recall dari setiap label:
ycIyceycaycaycoyco yaAycoycyce ycNyceycayco = .
= 0.
4651 47% ycIyceycaycaycoyco ycIyceycc ycNyceycayco = .
= 0.
5116279069767 51%
Setelah melakukan perhitungan recall, selanjutnya adalah perhitungan f1-score :
47O0.
ya1 Oe ycIycaycuycyce yaAycoycyce ycNyceycayco = 2 O 0.
4797966 48%
51O0.
ya1 Oe ycIycaycuycyce ycIyceycc ycNyceycayco = 2 O 0.
49 = 0.
Hasil Pengujian Decision Tree Hasil pengujian memberikan wawasan yang mendalam tentang keberhasilan model dalam mengklasifikasikan hasil pertandingan Mobile Legends.
Gambar 7.
Grafik Confusion Matrix Decision Tree Berikut perhitungan nilai accuracy :
yaycaycaycycycaycayc = .
17 26 .
= 0.
674418 67%
Selanjutnya untuk perhitungan nilai precision:
ycEycyceycaycnycycnycuycu yaAycoycyce ycNyceycayco = .
= 0.
65306122 65% ycEycyceycaycnycycnycuycu ycIyceycc ycNyceycayco = .
= 0.
702702702 70%
Setelah itu lakukan perhitungan untuk nilai recall:
ycIyceycaycaycoyco yaAycoycyce ycNyceycayco = .
= 0.
744186046 74% ycIyceycaycaycoyco ycIyceycc ycNyceycayco = .
= 0.
6046511627 60%
Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Setelah melakukan perhitungan recall, selanjutnya adalah perhitungan f1-score :
74O0.
ya1 Oe ycIycaycuycyce yaAycoycyce ycNyceycayco = 2 O 0.
65 = 0.
692086 70%
60O0.
ya1 Oe ycIycaycuycyce ycIyceycc ycNyceycayco = 2 O .
= 0.
646153 65%
Analisis dan Evaluasi Pada tahapan ini, kinerja dari kedua model dianalisis dengan menggunakan tiga metode penting, yaitu confusion matrix, data correlation dan kurva AU-ROC.
Confusion matrix digunakan untuk mengukur tingkat accuracy, precision, recall, dan F1-score dalam klasifikasi hasil pertandingan, termasuk identifikasi tim pemenang.
Selanjutnya data correlation proses untuk memahami hubungan antara dua atau lebih variabel.
Sementara itu, kurva AU-ROC memberikan pemahaman tentang kemampuan model dalam memisahkan hasil kemenangan dan kekalahan.
Dengan menggunakan perbandingan data latih dan data uji 80%:20%.
Confusion Matrix Pada Tabel 17 akan ditampilkan keseluruhan dari hasil confusion matrix :
Tabel 17.
Confusion Matrix Metode Gaussian Nayve Bayes Decision Tree f1-score Berdasarkan analisis confusion matrix, model Decision Tree memiliki kinerja yang baik dalam mengklasifikasikan data.
Hal ini didukung oleh beberapa faktor, yaitu data yang digunakan mengikuti distribusi normal, fitur yang dipilih untuk model Decision Tree adalah fitur yang relevan dan memiliki korelasi yang kuat dengan label, serta hyperparameter untuk model Decision Tree telah dioptimalkan dengan baik.
Data Correlation Adapun evaluasi lainnya yaitu menggunakan correlation dengan metode 'Spearman', hal ini berhasil divisualisasikan ke dalam bentuk matriks.
Hasil penggunaan correlation dari metode 'Spearman' dapat dilihat pada Gambar 8 :
Gambar 8.
Data Correlation Spearman Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Gambar 9, disajikan bahwa terdapat korelasi antara dua variabel, yakni jumlah pick blue dan jumlah pick red.
Koefisien korelasi 'Spearman' pada fitur pick_red_1 dengan pick_blue_1 yang bernilai -0,1621, mengindikasikan adanya hubungan negatif yang signifikan antara kedua variabel Artinya, ketika jumlah pick_blue mengalami peningkatan, jumlah pick_red cenderung mengalami penurunan.
Hal ini membuat kernel yang dihasilkan membuat akurasi yang rendah untuk klasifikasi jumlah pick_blue dan pick_red.
Akurasi yang rendah pada kedua algoritma.
Gaussian Nayve Bayes dan Decision Tree, dapat disebabkan oleh beberapa faktor yang perlu dipertimbangkan secara terperinci, yaitu:
Gaussian Nayve Bayes:
Independensi Asumsi: Gaussian Nayve Bayes mengasumsikan bahwa semua fitur dalam dataset adalah independen satu sama lain, yang berarti bahwa nilai satu fitur tidak tergantung pada nilai fitur lainnya.
Jika asumsi ini tidak memenuhi kenyataan, seperti dalam kasus di mana fitur-fitur saling tergantung, maka model akan memberikan estimasi yang kurang akurat.
Data yang Tidak Sesuai dengan Asumsi: Jika data pelatihan tidak sesuai dengan distribusi yang diharapkan oleh Gaussian Nayve Bayes Decision Tree:
Overfitting atau Underfitting: Decision Tree cenderung rentan terhadap overfitting .
erlalu cocok dengan data pelatiha.
atau underfitting .
idak cukup cocok dengan data pelatiha.
Sensitif terhadap Variasi Data Pelatihan: Decision Tree sangat sensitif terhadap variasi dalam data pelatihan.
Jika data pelatihan berubah sedikit saja, atau jika pembagian simpul daun .
eaf nod.
pada pohon keputusan tidak optimal, hal ini dapat memengaruhi kinerja model secara signifikan.
Parameter Tuning yang Tidak Optimal: Pemilihan parameter yang tidak tepat, seperti kedalaman maksimum pohon atau jumlah sampel minimum untuk membagi simpul, dapat mempengaruhi kinerja model.
Jika parameter-parameter ini tidak disesuaikan dengan baik dengan karakteristik data, akurasi model dapat menurun.
Kurva AU-ROC Tingkat akurasi dievaluasi menggunakan kurva Area Under The Receiver Operating Characteristic (AU-ROC) dan hasilnya divisualisasikan dalam grafik.
Kurva AU-ROC memberikan gambaran visual tentang kinerja berbagai model klasifikasi dengan membandingkan area di bawah kurva (AUC), membantu pemilihan model terbaik berdasarkan kualitas klasifikasi.
Gambar 9.
Kurva Plot AU-ROC Pada Gambar 10, pada kurva ROC yang diberikan, terdapat dua garis, yaitu garis Decision Tree (ROC = 0.
dan garis Gaussian Naive Bayes (ROC = 0.
Garis Decision Tree berada di atas garis Gaussian Naive Bayes, yang berarti bahwa Decision Tree memiliki kinerja yang lebih baik Penggunaan Algoritma Gaussian Nayve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends Oleh : Yoga Naufal Ray Putro.
Aidil Afriansyah.
Radhinka Bagaskara JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 dalam memprediksi data positif dan negatif.
Nilai AUC dari Decision Tree adalah 0.
67, sedangkan nilai AUC dari Gaussian Naive Bayes adalah 0.
Nilai AUC yang lebih tinggi menunjukkan bahwa model klasifikasi tersebut memiliki kinerja yang lebih baik dalam memprediksi data positif dan negatif.
Berdasarkan hasil penelitian yang dilakukan tersebut, terdapat dua faktor utama yang dapat mempengaruhi perbedaan nilai AUC antara Decision Tree dan Gaussian Naive Bayes:
Kompleksitas model:
Decision Tree adalah model yang lebih kompleks dibandingkan dengan Gaussian Naive Bayes.
Decision Tree dapat menggambarkan hubungan yang lebih kompleks antara fiturfitur, sehingga dapat menghasilkan model yang lebih akurat.
Ketersediaan fitur: Terdapat 10 fitur yang digunakan untuk memprediksi kemenangan pertandingan Mobile Legends berdasarkan draft pick.
Decision Tree dapat menggunakan semua 10 fitur tersebut untuk membuat keputusan, sedangkan Gaussian Naive Bayes hanya dapat menggunakan 6 fitur karena mengasumsikan distribusi normal pada fitur-fitur.
Gaussian Naive Bayes perlu mengetahui nilai rata-rata () dan standar deviasi (E) dari setiap Jika terdapat lebih dari 6 fitur, maka akan diperlukan banyak data untuk menghitung nilai dan E dari setiap fitur.
Hal ini dapat menyebabkan underfitting, yaitu model yang tidak dapat menangkap hubungan yang kompleks antara fitur-fitur.
Selain itu untuk hero yang terbanyak digunakan adalah AofredrinnAo dikarenakan hero tersebut dapat digunakan pada 2 posisi .
yaitu sebagai EXPLaner dan Jungler.
Dengan total pick 274 untuk total_pick_blue berjumlah 155 dan total_pick_red berjumlah 119.
KESIMPULAN
Analisis klasifikasi kemenangan dalam Mobile Legends Professional League menggunakan algoritma Gaussian Nayve Bayes dan Decision Tree berdasarkan draft pick menunjukkan potensi penerapan fitur draft pick untuk prediksi hasil pertandingan, meskipun perlu penelitian lebih lanjut untuk meningkatkan performa model dan mempertimbangkan faktor-faktor lain yang memengaruhi hasil pertandingan.
Hasil eksperimen menunjukkan bahwa Decision Tree mengungguli Gaussian Nayve Bayes dengan akurasi 0.
67 dan 0.
49 secara berturut-turut.
Decision Tree mampu menggambarkan hubungan kompleks antara variabel dan hasil, serta menangani variasi distribusi data yang lebih adaptif, berkontribusi dalam pemahaman lebih dalam tentang faktor-faktor yang memengaruhi hasil pertandingan Mobile Legends Professional League.
DAFTAR PUSTAKA