PENERAPAN K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN HERO META BERDASARKAN STATISTIK PERMAINAN MOBILE LEGENDS

Arivian Mujahid; Aris Tri Jaka Harjanta; Noora Qotrun Nada

doi:10.51401/jinteks.v7i3.6261

Authors

Arivian Mujahid Universitas PGRI Semarang
Aris Tri Jaka Harjanta Universitas PGRI Semarang
Noora Qotrun Nada Universitas PGRI Semarang

DOI:

https://doi.org/10.51401/jinteks.v7i3.6261

Keywords:

Mobile Legends, K-Means Clustering, hero META, statistik permainan, e-sports

Abstract

Mobile Legends: Bang Bang adalah game MOBA yang berkembang pesat, yang memperkenalkan banyak hero baru setiap tahun dan secara dinamis mengubah performanya, sehingga menyulitkan pemain untuk memahami meta. Penelitian ini bertujuan untuk mengelompokkan hero berdasarkan tiga ukuran statistik, yaitu pick rate, win rate, dan ban rate, menggunakan algoritma K-Means Clustering. Data dikumpulkan melalui web scraping dari halaman web resmi Mobile Legends, diproses dan dianalisis berdasarkan pendekatan unsupervised clustering. Hasil penelitian menghasilkan tiga klaster hero dengan karakteristik yang berbeda: Hero META, Hero Situasional, dan Hero Non-META. Evaluasi pendekatan klaster menggunakan Silhouette Score sebesar 0,53 untuk K-Means, yang menunjukkan kualitas klaster yang relatif baik dalam hal pemisahan. Selain itu, algoritma Gaussian Mixture Model alternatif telah digunakan sebagai perbandingan, yang menunjukkan Silhouette Score sebesar 0,41. Telah diidentifikasi bahwa K-Means berkinerja lebih baik dalam menyediakan klaster klasifikasi eksplisit, sementara GMM telah menunjukkan kinerja yang lebih baik jika datanya tidak terlalu jelas. Pengetahuan ini diharapkan dapat membantu pemain, pelatih, dan analis strategi untuk membuat keputusan taktis berdasarkan data dan menjadi dasar untuk pengembangan sistem rekomendasi hero yang adaptif.

References

V. R. A. Hidayat, “Sistem Prediksi Kemenangan Hero Mobile Legends Menggunakan Metode Naive Bayes,” JIKO (Jurnal Inform. dan Komputer), vol. 8, no. 1, p. 100, 2024, doi: 10.26798/jiko.v8i1.1120.

A. Malik, A. Farisi, and S. Teknik, “Optimalisasi Pemilihan Draft Hero Mobile Legends?: Bang Bang dengan Graf Berbobot,” 2025.

M. A. Sumarto and M. Z. Firya, “Analisis Klastering pada Karakteristik Karakter Pahlawan Mobile Legends: Bang Bang (MLBB) Menggunakan Algoritma Simple K-Means,” J. Comput. Sci. Inf. Syst. J-Cosys, vol. 3, no. 1, pp. 38–43, 2023, doi: 10.53514/jco.v3i1.381.

M. W. Qasthari and R. Kurniawan, “Penggunaan Algoritma K-Means Clustering untuk Mengelompokkan Pemain Berdasarkan Gaya Bermain Pada Battle Royale Call of Duty Mobile,” Futur. Acad. J. Multidiscip. Res. Sci. Adv., vol. 2, no. 3, pp. 280–292, 2024, doi: 10.61579/future.v2i3.177.

S. Syaqila and M. Fakhriza, “K-Means Clustering Untuk Mengukur Pengaruh Kompetensi Terhadap Kinerja Pegawai,” vol. 6, no. 2, pp. 1420–1431, 2025, doi: 10.47065/josh.v6i2.6758.

Y. N. R. Putro, A. Afriansyah, and R. Bagaskara, “Penggunaan Algoritma Gaussian Naïve Bayes & Decision Tree Untuk Klasifikasi Tingkat Kemenangan Pada Game Mobile Legends,” JUKI J. Komput. dan Inform., vol. 6, no. 1, pp. 10–26, 2024, doi: 10.53842/juki.v6i1.472.

R. Danendra Athallah, A. Arrio Irawan, L. E. Devila, and R. Cholil, “Implementasi Algoritma K-Means Untuk Menganalisa Pemain Video Gamemobile Legenduntuk Mengetahui Tipe Herodan Roleyang Sering Digunakan Pada Setiap Kalangan,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., vol. 6, no. 3, pp. 261–268, 2022.

M. Masjunedi, N. Suarna, and Y. Arie Wijaya, “Analisa Penerapan Metode Clustering K-Means Untuk Pengelompokan Data Transaksi Konsumen,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 2, pp. 1322–1328, 2023, doi: 10.36040/jati.v7i2.6841.

N. Wahyunisari and R. Kurniawan, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Data Penjualan Pakaian (Studi Kasus?: Umkm Lima Media Kuningan),” J. Mhs. Tek. Inform., vol. 8, no. 2, pp. 1398–1402, 2024, [Online]. Available: https://djpb.kemenkeu.go.id

T. Tige Kati et al., “Penerapan K-Means Clustering untuk Mengelompokan Performa Siswa dalam Pelajaran Bahasa Indonesia,” Sustain. Agric. Technol. Innov., vol. 3, no. 1, pp. 510–522, 2024.

D. Sulaiman and W. S. Utami, “Rancang Bangun Sistem Rekomendasi Pemilihan Hero Pada Game Mobile Legends Menggunakan Algoritma Greedy,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 6, no. 2, pp. 998–1007, 2023, doi: 10.31539/intecoms.v6i2.8128.

M. I. Mandirri, S. N. Budiman, and U. Mawaddah, “Penerapan Metode Agile Dalam Pengembangan Aplikasi Jurnal Mengajar Berbasis Web di Universitas Madani Indonesia,” Pros. Semin. Nas. Teknol. Dan Sains Tahun 2025, vol. 4, pp. 337–349, 2025.

A. Ariesta, Y. N. Dewi, F. A. Sariasih, and F. W. Fibriany, “Penerapan Metode Agile Dalam Pengembangan Application Programming Interface System Pada Pt Xyz,” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 7, no. 1, p. 38, 2021, doi: 10.24014/coreit.v7i1.12635.

N. Wakhidah, “Clustering Menggunakan K-Means Algorithm ( K-Means Algorithm Clustering ),” Fak. Teknol. Inf., vol. 21, no. 1, pp. 70–80, 2014.

R. Saputra, L. Qadriah, J. Salat, T. Informatika, and U. Jabal Ghafur, “Implementasi Metode Agile Dalam Pengembangan Sistem Informasi Perpustakaan Berbasis Web Pada Sma Negeri 1 Sigli,” J. Literasi Inform., vol. 3, no. 3, p. 2024, 2024.

N. A. Hidayah and Nur Muhammad Asnadi, “Penerapan Metode Agile Dalam Manajemen Proyek: Systematic Literature Review,” J. Perangkat Lunak, vol. 6, no. 1, pp. 43–53, 2024, doi: 10.32520/jupel.v6i1.2858.

D. ayu Ilfiana, “Pengklasteran Puskesmas di Kabupaten Kudus Menggunakan Metode K-Means dengan Perbandingan Jarak Euclidean dan Chebyshev,” Prism. Pros. Semin. Nas. Mat. 5, vol. 5, pp. 787–798, 2022.

M. Iqbal, Syaripuddin, and N. M. Nurul, “Implementasi Algoritma K-Means Clustering dengan Jarak Euclidean dalam Mengelompokkan Daerah Penyebaran COVID-19 di Kabupaten Bogor,” J. Ilm. Mat., vol. 2, no. 1, pp. 47–56, 2023, [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/basis

R. Hidayati, A. Zubair, A. Hidayat Pratama, and L. Indana, “Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering Silhouette Coefficient Analysis in 6 Measuring Distances of K-Means Clustering,” Techno.COM, vol. 20, no. 2, pp. 186–197, 2021.