Klasifikasi Tipe Pokemon Berdasarkan Statistik Tempur Menggunakan Algoritma Random Forest
- Nurul Achamad Universitas Teknokrat Indonesia, Indonesia
- Yohanes Universitas Teknorat Indonesia, Indonesia
- Icha Winadya Permadani Universitas Teknorat Indonesia, Indonesia
- Nugroho Kumala Destianto Universitas Teknorat Indonesia, Indonesia
-
Heni Sulistiani
*
Universitas Teknorat Indonesia,
Indonesia
Abstract
Penelitian ini bertujuan untuk mengklasifikasikan tipe Pokemon berdasarkan statistik tempur menggunakan algoritma Random Forest. Dataset yang digunakan berasal dari file pokemon_bw.csv yang berisi informasi seperti nomor Pokédex, nama, tipe, kemampuan, serta nilai statistik tempur (HP, Att, Def, S.Att, S.Def, Spd). Proses data preprocessing dilakukan untuk membersihkan dan mempersiapkan data, termasuk ekstraksi tipe utama, label encoding, feature selection, dan standarisasi fitur. Setelah itu, dataset dibagi menjadi data latih dan data uji dengan rasio 80:20. Model klasifikasi dibangun menggunakan Random Forest dengan 100 pohon keputusan dan dievaluasi menggunakan metrik accuracy, classification report, confusion matrix, serta ROC Curve multikelas. Hasil menunjukkan bahwa model mampu mencapai akurasi sebesar 64.8% , dengan performa terbaik pada kelas 'rock', 'steel', dan 'dragon', sedangkan kelas 'flying' dan 'ghost' masih sulit diklasifikasikan secara akurat. Confusion matrix menunjukkan bahwa beberapa tipe memiliki kesalahan klasifikasi yang cukup signifikan, seperti 'ground' yang sering diprediksi sebagai 'grass' dan 'rock' yang sering salah diklasifikasikan sebagai 'steel'. Evaluasi ROC Curve juga membuktikan bahwa sebagian besar kelas memiliki AUC di atas 0.80, menunjukkan kemampuan model dalam membedakan antar kelas. Dengan pendekatan ini, penelitian ini memberikan analisis awal mengenai potensi prediksi tipe Pokémon berbasis statistik tempur, yang dapat dikembangkan lebih lanjut melalui penanganan ketidakseimbangan kelas atau penggunaan teknik ensemble lainnya.
References
ADDIN Mendeley Bibliography CSL_BIBLIOGRAPHY Alzuhdi, A. V., Ar Rosyid, H., Chuttur, M. Y., & Nazir, S. (2023). Optimizing Random Forest Algorithm to Classify Player’s Memorisation via In-game Data. Knowledge Engineering and Data Science, 6(1), 103. https://doi.org/10.17977/um018v6i12023p103-113
Ernawati, A., & Wahyuni, S. (2024). Analisis Data Mining Pola Penggunaan Seluler dan Klasifikasi Perilaku Pengguna di Berbagai Perangkat Menggunakan Metode C4 . 5. 5(4), 162–168. https://doi.org/10.47065/bit.v5i2.1689
Hermawan, S., & Budi, S. (2021). Analisis dan Prediksi Pertempuran Game Of Thrones Menggunakan Algoritma Random Forest dan Logistic Regression. Jurnal STRATEGI-Jurnal …, 3(November), 454. https://www.kaggle.com/
Karim, A. A., Prasetyo, M. A., & Saputro, M. R. (2023). Perbandingan Metode Random Forest, K-Nearest Neighbor, dan SVM Dalam Prediksi Akurasi Pertandingan Liga Italia. Prosiding Seminar Nasional Teknologi Dan Sains , 2, 377–342. http://www.football-data.co.uk.
Munggaran, R. P., & Nurmalasari, M. (2025). Predicting Outpatient Service Waiting Times with Random Forest Algorithm Prediksi Waktu Tunggu Pelayanan Pasien Rawat Jalan dengan Algoritma Random Forest. 5(January), 35–40.
Nurdiansyah, N., Febriyan, F. S., Gesit, Z., & Amanta, D. (2025). Mental Health Analysis to Prevent Mental Disorders in Students Using The K-Nearest Neighbor ( K-NN ) Algorithm and Random Forest Algorithm Analisis Kesehatan Mental untuk Mencegah Gangguan Mental pada Mahasiswa Menggunakan Algoritma K-Nearest Neighbor ( K. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5(January), 1–9. https://doi.org/https://doi.org/10.57152/malcom.v5i1.1537
Polgan, J. M., Mutoffar, M. M., Yasik, Y. L., Putria, N. E., & Bandung, U. T. (2025). Analysis of the Influence of Machine Learning on Sales Prediction and Stock Management in Online Business. 13, 2473–2477.
Prayoga, A., Via, Y. V., Susrama, I. G., & Diyasa, M. (2024). Classifying Legendary Pokémon with SF-Random Forest Algorithm. 6(3), 1852–1871. https://doi.org/10.51519/journalisi.v6i3.859
Rahayu, V. T., Syauqy, D., Akbar, S. R., Studi, P., Informatika, T., Komputer, F. I., Brawijaya, U., & Forest, K. R. (2024). IMPLEMENTASI SARUNG TANGAN GAMING BOXING : “ THUNDER RAY ” DENGAN MENGGUNAKAN SENSOR GERAK MPU6050 DAN. 1(1).
Rozaq, A., Samudra, A., & Islam, A. (2023). Analisis Desain Visual Karakter Kleavor Dalam Game Pokémon Legends: Arceus. Jurnal Barik, 5(1), 298–309. https://ejournal.unesa.ac.id/index.php/JDKV/
Saputra, D. (2023). Tinjauan Komprehensif tentang Luka Bakar Dan Penanganannya. Journal Scientific Universitas Andalas Padang, 207–218. http://journal.scientic.id/index.php/sciena/issue/view/12
Sartini, S., Rohimah, L., Maulana, Y. I., Supriatin, S., & Yuliandari, D. (2023). Optimization of Random Forest Prediction for Industrial Energy Consumption Using Genetic Algorithms. PIKSEL : Penelitian Ilmu Komputer Sistem Embedded and Logic, 11(1), 35–44. https://doi.org/10.33558/piksel.v11i1.5886
Sopiatul Ulum, Alifa, R. F., Rizkika, P., & Rozikin, C. (2023). Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum. Generation Journal, 7(2), 141–146. https://doi.org/10.29407/gj.v7i2.20270
Copyright (c) 2025 nurul achamad, Yohanes Simarmata, Icha Icha Winadya Permadani, Nugroho Kumala Destianto Nugroho Kumala , Heni Sulistiani Heni Sulistiani
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
