EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

PREDIKSI TINGKAT KETERLIBATAN PEMAIN GAME ONLINE BERDASARKAN INTENSITAS DAN POLA AKTIVITAS BERMAIN MENGGUNAKAN PENDEKATAN HYBRID MACHINE LEARNING

R.A Callista Salsabila, Aisy Intan Herita, Neisya Az Zahra, Winda Kurnia Sari, Ken Ditha Tania, Fathoni Fathoni

JATI (Jurnal Mahasiswa Teknik Informatika) · 30.05.2026 · 10 (3) · 4054-4061

DOI: 10.36040/jati.v10i3.18152 ↗

Kurz gefasst

Fachartikel in der Zeitschrift JATI (Jurnal Mahasiswa Teknik Informatika), online erschienen am 30.05.2026. Verfasst von R.A Callista Salsabila und 5 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Pertumbuhan industri online games menghasilkan volume data aktivitas pemain yang sangat besar, sehingga analisis tingkat keterlibatan pemain (player engagement) secara manual menjadi kurang efektif. Permasalahan ini mendorong perlunya pendekatan analitik berbasis data untuk mengidentifikasi pola perilaku pemain secara lebih akurat. Penelitian ini bertujuan untuk memprediksi tingkat player engagement berdasarkan intensitas dan pola aktivitas bermain menggunakan pendekatan hybrid machine learning yang mengkombinasikan algoritma Logistic Regression dan Artificial Neural Network (ANN). Data yang digunakan berasal dari dataset publik Kaggle yang terdiri dari 40.034 data pemain dengan variabel target EngagementLevel yang diklasifikasikan ke dalam tiga kategori, yaitu Low, Medium, dan High. Dataset melalui tahapan data preprocessing dan dibagi menjadi data latih dan data uji dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Hasil penelitian menunjukkan bahwa model ANN mencapai akurasi sebesar 90,76% dengan rata-rata F1-score 0,91, lebih tinggi dibandingkan model Logistic Regression yang memperoleh akurasi 82% dengan F1-score 0,81. Analisis feature importance menunjukkan bahwa variabel PlayTimeHours dan SessionsPerWeek merupakan prediktor paling signifikan dalam menentukan tingkat keterlibatan pemain

Zitieren

APA

Salsabila, R. C., Herita, A. I., Zahra, N. A., Sari, W. K., Tania, K. D., & Fathoni, F. (2026). PREDIKSI TINGKAT KETERLIBATAN PEMAIN GAME ONLINE BERDASARKAN INTENSITAS DAN POLA AKTIVITAS BERMAIN MENGGUNAKAN PENDEKATAN HYBRID MACHINE LEARNING. JATI (Jurnal Mahasiswa Teknik Informatika), 10(3), 4054-4061. https://doi.org/10.36040/jati.v10i3.18152

Vancouver

Salsabila RC, Herita AI, Zahra NA, Sari WK, Tania KD, Fathoni F. PREDIKSI TINGKAT KETERLIBATAN PEMAIN GAME ONLINE BERDASARKAN INTENSITAS DAN POLA AKTIVITAS BERMAIN MENGGUNAKAN PENDEKATAN HYBRID MACHINE LEARNING. JATI (Jurnal Mahasiswa Teknik Informatika). 2026;10(3):4054-4061. doi:10.36040/jati.v10i3.18152

BibTeX
@article{Salsabila2026,
  author = {Salsabila, R.A Callista and Herita, Aisy Intan and Zahra, Neisya Az and Sari, Winda Kurnia and Tania, Ken Ditha and Fathoni, Fathoni},
  title = {PREDIKSI TINGKAT KETERLIBATAN PEMAIN GAME ONLINE BERDASARKAN INTENSITAS DAN POLA AKTIVITAS BERMAIN MENGGUNAKAN PENDEKATAN HYBRID MACHINE LEARNING},
  journal = {JATI (Jurnal Mahasiswa Teknik Informatika)},
  year = {2026},
  volume = {10},
  number = {3},
  pages = {4054--4061},
  doi = {10.36040/jati.v10i3.18152}
}
Kostenlos starten →