Mobile Legends Player Analytics
Proyek data science lanjutan yang membandingkan algoritma clustering K-Means dan DBSCAN untuk segmentasi pemain strategis dalam Mobile Legends. Membangun dashboard analitik komprehensif dengan visualisasi interaktif, metrik performa, dan wawasan perilaku. Menganalisis data pemain termasuk rasio KDA, tingkat kemenangan, emas per menit, peran favorit, dan pilihan hero untuk mengidentifikasi arketipe pemain yang berbeda. Mengimplementasikan model machine learning untuk mendukung strategi gaming kompetitif, optimasi matchmaking, dan inisiatif keterlibatan pemain. Fitur termasuk pemrosesan data real-time, analisis statistik, dan rekomendasi actionable untuk komunitas gaming dan penyelenggara turnamen.
Case Study Details
K-Means vs DBSCAN: Medan Player Segmentation
Problem: Player profiles in Medan are diverse, difficult to group effectively for strategy and matchmaking.
Method: Performance data analysis (KDA, Win Rate, GPM, role, hero) using K-Means & DBSCAN.
- Clusters: "Carries", "Objective-Oriented", "Casual".
- DBSCAN more accurate in detecting unique/anomaly players (Silhouette: 0.68 vs 0.54).
- Insight: Segmentation facilitates promotion, events, and fair matchmaking.
Next: Chat data integration, churn prediction, automated dashboard.