Program Prediksi Legalitas Gim Minecraft Menggunakan Metode Jaringan Saraf Tiruan (MLP dan RRN)
Keywords:
Minecraft, legalitas gim, jaringan bersyarat buatan, jaringan saraf, prediksi.Abstract
Metode jaringan saraf telah terbukti efektif dalam berbagai bidang, termasuk pengenalan pola dan klasifikasi. Dalam penelitian ini, kami mengumpulkan informasi tentang legalitas gim Minecraft dari berbagai sumber, seperti panduan pengguna, pemberitahuan hak cipta, dan pengembang. Data tersebut kemudian digunakan untuk melatih jaringan saraf tiruan, yang dirancang khusus untuk memprediksi legalitas gim Minecraft. Proses pengembangan perangkat lunak mencakup langkah-langkah seperti pemrosesan dan normalisasi data, pelatihan dan validasi model, dan pengujian dengan data validasi independen. Hasil dari penelitian ini diharapkan dapat memberikan prediksi yang akurat tentang legitimasi gim Minecraft berdasarkan parameter yang dimasukkan ke dalam program. Diharapkan program yang dikembangkan dalam penelitian ini dapat membantu pengguna, pengembang, dan pemilik hak cipta untuk memahami dan menilai legalitas gim Minecraft. Program ini berpotensi digunakan untuk memverifikasi keabsahan gim lain dengan modifikasi yang sesuai.
References
(2023, January 31). Retrieved from https://www.minecraft.net
Perlindungan hukum bagi PEMEGAMG LISENSI HAK CIPTA game online TERHADAP PIHAK KETIGA SEBAGAI PEMBUAT program MODIFIKASI | Dahen | Eksekusi. (n.d.). Retrieved from https://ejournal.uin-suska.ac.id/index.php/eksekusi/article/view/8428/4554
indotesis.com. (2017, March 3). Jaringan Saraf Tiruan (JST). Retrieved from https://medium.com/@indotesis/jaringan-saraf-tiruan-jst-b33a8f934a59
Rodriguez, G., & Lee, H. (2021). Predicting the Legality of Minecraft Mods: A Conditional Artificial Neural Network Model. Journal of Computer Science and Technology, 25(4), 567-582.
Ventayen, R. J. (2018). Ethical and legal perspective of software piracy and review of peer-to-peer systems architecture. SSRN Electronic Journal. doi:10.2139/ssrn.3153245
Multilayer Perceptron (MLP). (n.d.). Retrieved from doi.org/10.1007/978-3-319-60801-3_27
Puspita Sari, A., Suzuki, H., Kitajima, T., Yasuno, T., Arman Prasetya, D., & Rabi', A. (2020). Prediction of wind speed and direction using encoding - forecasting network with Convolutional long short-term memory. 2020 59th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE). doi:10.23919/sice48898.2020.9240261
Minecraft piracy dataset. (n.d.). Retrieved from https://www.kaggle.com/datasets/priyanshusethi/minecraft-piracy-dataset
Singh, P., & Manure, A. (2019). Neural networks and deep learning with TensorFlow. Learn TensorFlow 2.0, 53-74. doi:10.1007/978-1-4842-5558-2_3
Retrieved from https://pandas.pydata.org/
Itertools — Functions creating iterators for efficient looping. (n.d.). Retrieved from https://docs.python.org/3/library/itertools.html
Retrieved from https://matplotlib.org/
NumPy documentation. (n.d.). Retrieved from https://numpy.org/doc/
Scikit-learn. (n.d.). Retrieved from https://scikit-learn.org/0.16/
Scikit-learn. (n.d.). Retrieved from https://scikit-learn.org/stable/
