Gambar Ilustarasi AI
FORMOSA NEWS - Yogyakarta - Menguak Rahasia Kemenangan Magic Chess: Algoritma Random Forest Ungguli XGBoost dalam Prediksi E-Sport. Penelitian yang dilakukan oleh Apriliano Ernando Benyamin Boimau, Nafiatun Sholihah, Ferian Fauzi Abdulloh, Majid Rahardi, dan Afrig Aminuddin dari Universitas Amikom Yogyakarta dalam artikel penelitian yang dipublikasikan pada Formosa Journal of Computer and Information Science (FJCIS) edisi Vol. 5 No. 2 Tahun 2026 menyoroti bahwa algoritma Random Forest terbukti lebih stabil dan akurat dibanding XGBoost dalam memprediksi peluang kemenangan, sekaligus mematahkan mitos lama bahwa komposisi sinergi adalah penentu mutlak kemenangan.
Mengukur Kompleksitas Game Berbasis Elemen Acak
Gim bergenre auto battler seperti Magic Chess Go Go memiliki tingkat kerumitan yang tinggi. Pemain tidak hanya dituntut mengatur sumber daya ekonomi dan unit, tetapi juga dihadapkan pada elemen acak (Random Number Generator atau RNG) yang melibatkan lemparan toko (shop roll) dan kejatuhan item. Selama ini, sebagian besar komunitas pemain mengandalkan intuisi atau taktik spekulatif yang rentan bias. Untuk mengatasi hal tersebut, tim peneliti dari Universitas Amikom Yogyakarta menerapkan pendekatan pembelajaran mesin (machine learning) untuk menganalisis data historis pertandingan secara objektif. Penelitian ini menguji dan membandingkan dua algoritma populer berbasis ansambel, yaitu Random Forest dan XGBoost, guna mencari pola kemenangan yang paling rasional di tengah tingginya variabilitas gim.
Pendekatan Komparatif dan Analisis Metodologi Sederhana
Dalam penelitian ini, tim mengumpulkan sebanyak 517 data pertandingan Magic Chess Go Go Season 4 secara semi-manual melalui teknik dokumentasi dan purposive sampling. Dari data mentah tersebut, sebanyak 23 fitur prediktor yang mencakup nama komandan, komandan khusus (Go-Go Commander), dan 21 variabel sinergi dipilih setelah melalui tahap pembersihan data (data cleaning) dan pelabelan biner (peringkat 1–4 dikategorikan menang, sedangkan peringkat 5–8 dikategorikan kalah). Dataset kemudian dibagi dengan rasio 80:20 (413 data pelatihan dan 104 data pengujian). Kedua model dioptimalkan menggunakan teknik Grid Search dan diuji sebanyak 30 iterasi untuk meredam bias statistik akibat unsur acak yang tinggi dalam gim. Evaluasi performa diukur berdasarkan tingkat Akurasi, Presisi, Recall, dan F1-Score.
Temuan Utama: Stabilitas Random Forest dan Dominasi Pemilihan Komandan
Hasil pengujian selama 30 iterasi menunjukkan bahwa algoritma Random Forest tampil lebih optimal dan stabil dengan rata-rata tingkat akurasi mencapai 53,27% dan presisi sebesar 57,12%. Sebaliknya, algoritma XGBoost mengalami anomali overfitting yang ekstrem di mana nilai Recall-nya melonjak tidak wajar hingga 95,30%, akibat kecenderungan model yang terus-menerus mencoba mengoreksi kesalahan pada data yang secara alami bersifat acak (RNG). Selain perbandingan algoritma, analisis Feature Importance dari model Random Forest melahirkan temuan baru yang mengejutkan. Selama ini, komunitas pemain meyakini bahwa interaksi unit atau sinergi adalah faktor absolut penentu kemenangan. Namun, data secara empiris membuktikan bahwa identitas karakter utama—yakni
Implikasi, Manfaat, dan Langkah Pengembangan
Kehadiran sistem prediksi berbasis Random Forest ini memberikan dampak positif bagi para pemain maupun pengembang komunitas e-sport. Sistem ini mampu mengoreksi bias intuisi pemain melalui metrik probabilitas yang objektif (Explainable AI), sehingga pemain dapat merumuskan taktik secara terukur sebelum pertandingan dimulai. Kendati demikian, para peneliti mencatat adanya keterbatasan berupa batas maksimal akurasi yang berada di angka 53,27%. Hal ini disebabkan oleh penggunaan dataset pascapertandingan yang bersifat statis, sehingga belum mampu mengukur variabel mikro secara real-time seperti presisi penempatan unit (positioning), manajemen ekonomi (gold interest), dan faktor keberuntungan perolehan item. Ke depan, penelitian lanjutan disarankan untuk menggunakan dataset yang lebih besar mencakup lintas musim, menerapkan data berbasis time-series per ronde, serta melibatkan variabel dinamis permainan demi meningkatkan ketepatan rekomendasi META.
Profil Penulis
Nafiatun Sholihah, S.Kom., M.Cs. Universitas Amikom Yogyakarta, Bidang Keahlian: Kecerdasan Buatan, Pembelajaran Mesin (Machine Learning), dan Analisis Data E-Sport.
Sumber Penelitian
Quantitative Analysis of Player Win Rate Prediction in Magic Chess Using the Random Forest and XGBoost Algorithms. Formosa Journal of Computer and Information Science (FJCIS) Vol. 5, No. 2, Halaman 417-428
DOI:https://doi.org/10.55927/fjcis.v5i2.17145
URL: https://journal.formosapublisher.org/index.php/fjcis
Mengukur Kompleksitas Game Berbasis Elemen Acak
Gim bergenre auto battler seperti Magic Chess Go Go memiliki tingkat kerumitan yang tinggi. Pemain tidak hanya dituntut mengatur sumber daya ekonomi dan unit, tetapi juga dihadapkan pada elemen acak (Random Number Generator atau RNG) yang melibatkan lemparan toko (shop roll) dan kejatuhan item. Selama ini, sebagian besar komunitas pemain mengandalkan intuisi atau taktik spekulatif yang rentan bias. Untuk mengatasi hal tersebut, tim peneliti dari Universitas Amikom Yogyakarta menerapkan pendekatan pembelajaran mesin (machine learning) untuk menganalisis data historis pertandingan secara objektif. Penelitian ini menguji dan membandingkan dua algoritma populer berbasis ansambel, yaitu Random Forest dan XGBoost, guna mencari pola kemenangan yang paling rasional di tengah tingginya variabilitas gim.
Pendekatan Komparatif dan Analisis Metodologi Sederhana
Dalam penelitian ini, tim mengumpulkan sebanyak 517 data pertandingan Magic Chess Go Go Season 4 secara semi-manual melalui teknik dokumentasi dan purposive sampling. Dari data mentah tersebut, sebanyak 23 fitur prediktor yang mencakup nama komandan, komandan khusus (Go-Go Commander), dan 21 variabel sinergi dipilih setelah melalui tahap pembersihan data (data cleaning) dan pelabelan biner (peringkat 1–4 dikategorikan menang, sedangkan peringkat 5–8 dikategorikan kalah). Dataset kemudian dibagi dengan rasio 80:20 (413 data pelatihan dan 104 data pengujian). Kedua model dioptimalkan menggunakan teknik Grid Search dan diuji sebanyak 30 iterasi untuk meredam bias statistik akibat unsur acak yang tinggi dalam gim. Evaluasi performa diukur berdasarkan tingkat Akurasi, Presisi, Recall, dan F1-Score.
Temuan Utama: Stabilitas Random Forest dan Dominasi Pemilihan Komandan
Hasil pengujian selama 30 iterasi menunjukkan bahwa algoritma Random Forest tampil lebih optimal dan stabil dengan rata-rata tingkat akurasi mencapai 53,27% dan presisi sebesar 57,12%. Sebaliknya, algoritma XGBoost mengalami anomali overfitting yang ekstrem di mana nilai Recall-nya melonjak tidak wajar hingga 95,30%, akibat kecenderungan model yang terus-menerus mencoba mengoreksi kesalahan pada data yang secara alami bersifat acak (RNG). Selain perbandingan algoritma, analisis Feature Importance dari model Random Forest melahirkan temuan baru yang mengejutkan. Selama ini, komunitas pemain meyakini bahwa interaksi unit atau sinergi adalah faktor absolut penentu kemenangan. Namun, data secara empiris membuktikan bahwa identitas karakter utama—yakni
commander_name (menyumbang 16,99%) dan gogo_commander (9,80%)—memiliki kontribusi paling dominan terhadap peluang kemenangan. Menurut para peneliti, keterampilan dasar bawaan dari seorang komandan memberikan fondasi ekonomi dan pertahanan yang jauh lebih esensial pada fase awal gim (early game), sementara sinergi terkuat sekalipun hanya bertindak sebagai pelengkap yang tidak akan maksimal tanpa perlindungan komandan yang tepat. Berdasarkan model klasifikasi terbaik ini, tim juga telah mengimplementasikan sistem ke dalam sebuah purwarupa aplikasi berbasis web untuk simulasi rekomendasi strategi secara real-time.Implikasi, Manfaat, dan Langkah Pengembangan
Kehadiran sistem prediksi berbasis Random Forest ini memberikan dampak positif bagi para pemain maupun pengembang komunitas e-sport. Sistem ini mampu mengoreksi bias intuisi pemain melalui metrik probabilitas yang objektif (Explainable AI), sehingga pemain dapat merumuskan taktik secara terukur sebelum pertandingan dimulai. Kendati demikian, para peneliti mencatat adanya keterbatasan berupa batas maksimal akurasi yang berada di angka 53,27%. Hal ini disebabkan oleh penggunaan dataset pascapertandingan yang bersifat statis, sehingga belum mampu mengukur variabel mikro secara real-time seperti presisi penempatan unit (positioning), manajemen ekonomi (gold interest), dan faktor keberuntungan perolehan item. Ke depan, penelitian lanjutan disarankan untuk menggunakan dataset yang lebih besar mencakup lintas musim, menerapkan data berbasis time-series per ronde, serta melibatkan variabel dinamis permainan demi meningkatkan ketepatan rekomendasi META.
Profil Penulis
Nafiatun Sholihah, S.Kom., M.Cs. Universitas Amikom Yogyakarta, Bidang Keahlian: Kecerdasan Buatan, Pembelajaran Mesin (Machine Learning), dan Analisis Data E-Sport.
Sumber Penelitian
Quantitative Analysis of Player Win Rate Prediction in Magic Chess Using the Random Forest and XGBoost Algorithms. Formosa Journal of Computer and Information Science (FJCIS) Vol. 5, No. 2, Halaman 417-428
DOI:
URL: https://journal.formosapublisher.org/index.php/fjcis
.jpg)
0 Komentar