1.1 Memuat Package yang dibutuhkan

library(dplyr) #untuk memanipulasi data
library(magrittr) #untuk manipulasi data dengan rapih 
library(ggplot2) #untuk membuat visualisasi
library(ggrepel) #untuk menambahkan teks pada grafik 
library(data.table) 
library(jpeg) #untuk membaca gambar dalam format jpeg
library(png) #untuk membaca gambar dalam format png 
library(grid)
library(leaflet) #untuk membuat heatmap
library(RWordPress) #untuk upload Rmd ke Wordpress
library(knitr)
library(XMLRPC)

1.2 Membaca dan menganalisis data

Dari 5 data yang disediakan, analisis ini menggunakan data kill_match_stats_final_0.csv.

pubg <- fread('kill_match_stats_final_0.csv', na.string = "")
head(pubg)

##       killed_by      killer_name killer_placement killer_position_x
## 1:      Grenade  KrazyPortuguese                5         657725.10
## 2:       SCAR-L nide2Bxiaojiejie               31          93091.37
## 3:         S686         Ascholes               43         366921.40
## 4: Down and Out       Weirdo7777                9         472014.20
## 5:         M416        Solayuki1                9         473357.80
## 6:        Punch    xuezhiqian717               26         721944.40
##    killer_position_y     map
## 1:          146275.2 MIRAMAR
## 2:          722236.4 MIRAMAR
## 3:          421623.9 MIRAMAR
## 4:          313274.8 MIRAMAR
## 5:          318340.5 MIRAMAR
## 6:          359575.3 MIRAMAR
##                                                            match_id time
## 1: 2U4GBNA0YmnLSqvEycnTjo-KT000vfUnhSA2vfVhVPe1QBwCTNTBJ5B_1Ocel6nY  823
## 2: 2U4GBNA0YmnLSqvEycnTjo-KT000vfUnhSA2vfVhVPe1QBwCTNTBJ5B_1Ocel6nY  194
## 3: 2U4GBNA0YmnLSqvEycnTjo-KT000vfUnhSA2vfVhVPe1QBwCTNTBJ5B_1Ocel6nY  103
## 4: 2U4GBNA0YmnLSqvEycnTjo-KT000vfUnhSA2vfVhVPe1QBwCTNTBJ5B_1Ocel6nY 1018
## 5: 2U4GBNA0YmnLSqvEycnTjo-KT000vfUnhSA2vfVhVPe1QBwCTNTBJ5B_1Ocel6nY 1018
## 6: 2U4GBNA0YmnLSqvEycnTjo-KT000vfUnhSA2vfVhVPe1QBwCTNTBJ5B_1Ocel6nY  123
##        victim_name victim_placement victim_position_x victim_position_y
## 1: KrazyPortuguese                5         657725.10          146275.2
## 2:     X3evolution               33          92238.68          723375.1
## 3:         CtrlZee               46         367304.50          421216.1
## 4:       BlackDpre               13         476645.90          316758.4
## 5:           Vjolt               13         473588.50          318418.8
## 6:  PurplePenguin9               47              0.00               0.0

1.3 Memilih data yang dibutuhkan

Pada tahap ini, kami memilih beberapa atribut, yaitu:

killer_name : Nama pemain yang berhasil membunuh musuh

killed_by : Senjata yang digunakan untuk membunuh musuh

killer_position_x : Koordinat x dari pemain yang berhasil membunuh

killer_position_y : Koordinat y dari pemain yang berhasil membunuh

victim_position_x : Koordinat x dari korban

victim_position_y : Koordinat y dari korban

map : Peta yang digunakan

Tujuh atribut ini kami pilih karena dapat memberikan informasi mengenai pemilihan senjata yang efektif untuk membunuh musuh dalam games PUBG ini.

pubg %<>%
  select(killer_name, killed_by, killer_position_x, killer_position_y, victim_position_x, victim_position_y, map)
getwd()

## [1] "D:/PUBG_Baru"

Untuk melihat apakah terdapat missing value pada dataset, digunakan fungsi colSums(is.na()).

colSums(is.na(pubg))

##       killer_name         killed_by killer_position_x killer_position_y 
##            928630                 0            928630            928630 
## victim_position_x victim_position_y               map 
##                 0                 0            162729

Dari cuplikan di atas dapat dilihat bahwa jumlah missing value pada atribut killer_name, killer_position_x, dan killer_position_y memiliki jumlah yang sama. Hal ini cukup mencurigakan. Sehingga, kami memeriksa data-data yang mengandung NA untuk mendapatkan informasi lebih jauh.

pubg %>% 
  filter(is.na(killer_name)) %>% 
  head()

##   killer_name    killed_by killer_position_x killer_position_y
## 1        <NA>     Bluezone                NA                NA
## 2        <NA>     Bluezone                NA                NA
## 3        <NA> Down and Out                NA                NA
## 4        <NA>      Falling                NA                NA
## 5        <NA> Down and Out                NA                NA
## 6        <NA>     Bluezone                NA                NA
##   victim_position_x victim_position_y     map
## 1               0.0               0.0 MIRAMAR
## 2               0.0               0.0 MIRAMAR
## 3               0.0               0.0 MIRAMAR
## 4          308988.8          397375.0 MIRAMAR
## 5          475198.1          426731.2 ERANGEL
## 6          468805.0          430984.8 ERANGEL

Dari cuplikan data di atas didapatkan bahwa atribut killer_name, killer_position_x, dan killer_position_y yang mengandung NA (missing value), merupakan data-data yang memiliki data dari atribut killed_by yakni Bluezone, Falling, Down and Out, etc. Untuk itu, kami menginvestigasinya lebih lanjut apa saja yang menyebabkan data tidak memiliki killer_name.

pubg %>% 
  filter(is.na(killer_name)) %>% 
  select(killed_by) %>% 
  unique()

##                              killed_by
## 1                             Bluezone
## 3                         Down and Out
## 4                              Falling
## 56                               Drown
## 74                             RedZone
## 92                                 Uaz
## 164                              Punch
## 297                              Buggy
## 442                              Dacia
## 938                         Hit by Car
## 1039               Motorbike (SideCar)
## 1043                         Motorbike
## 1826                      Pickup Truck
## 2932                           Grenade
## 4578               death.RedZoneBomb_C
## 9628              death.Buff_FireDOT_C
## 16259                             Boat
## 19430  death.ProjMolotov_DamageField_C
## 29622                              Van
## 444529                          SCAR-L
## 555541                        Aquarail
## 872416                            S686

Dapat dilihat dari macam-macam data dari killed_by dengan killer_name = NA, terdapat Bluezone, Down and Out, Falling, etc yang menjadi penyebab seorang pemain gugur dari permainan. Sehingga, dapat diambil kesimpulan bahwa yang memiliki killer_name = NA merupakan pemain yang gugur karena bunuh diri maupun mati seketika.

1.4 Pemilihan Data pada Peta Miramar dan Erangel

pubgmir <- pubg %>% 
  filter(map == "MIRAMAR" & !is.na(killer_name)) %>% 
  select (victim_position_x, victim_position_y, killer_position_x, killer_position_y, killer_name, killed_by)

pubger <- pubg %>% 
  filter(map == "ERANGEL" & !is.na(killer_name)) %>% 
  select (victim_position_x, victim_position_y, killer_position_x, killer_position_y, killer_name, killed_by)

#Weapon glossary
weapon <- c("AKM", "AUG", "Grenade","M16A4", "M249", "Machete", "Mini 14", "P18C", "P92", "R45", "S12K", "S686", "Sickle", "Tommy Gun", "VSS", "AWM", "Crowbar", "Groza", "Kar98K", "M24", "M416", "Micro UZI", "Mk14", "P1911", "Pan", "S1897", "SCAR-L", "SKS", "UMP9", "Vector", "Win94", "Crossbow")

pubgmir %<>%
  filter(killed_by %in% weapon) %>% 
  mutate(killed_by = as.factor(killed_by),
         pos_x = victim_position_x*1000/800000,
         pos_y = victim_position_y*1000/800000)

head(pubgmir)

##   victim_position_x victim_position_y killer_position_x killer_position_y
## 1         657725.10          146275.2         657725.10          146275.2
## 2          92238.68          723375.1          93091.37          722236.4
## 3         367304.50          421216.1         366921.40          421623.9
## 4         473588.50          318418.8         473357.80          318340.5
## 5         372808.30          297124.2         376333.80          317858.9
## 6         373125.80          433608.8         373125.30          433540.6
##        killer_name killed_by    pos_x    pos_y
## 1  KrazyPortuguese   Grenade 822.1564 182.8440
## 2 nide2Bxiaojiejie    SCAR-L 115.2983 904.2189
## 3         Ascholes      S686 459.1306 526.5201
## 4        Solayuki1      M416 591.9856 398.0235
## 5        pdfjkkvjk       AKM 466.0104 371.4053
## 6        xiaogao13      S686 466.4072 542.0110

pubger %<>%
  filter(killed_by %in% weapon) %>% 
  mutate(killed_by = as.factor(killed_by),
         pos_x = victim_position_x*1000/800000,
         pos_y = victim_position_y*1000/800000)
head(pubger)

##   victim_position_x victim_position_y killer_position_x killer_position_y
## 1          497819.4          331981.3          496989.8          312569.7
## 2          459817.9          414426.3          460416.7          414748.8
## 3          487444.2          347651.0          488034.1          347220.3
## 4          493043.4          434458.1          501062.9          425078.6
## 5          495755.7          438322.0          495501.2          429826.2
## 6          509867.3          437920.8          512029.6          450259.2
##    killer_name killed_by    pos_x    pos_y
## 1    Malcolm_x     M16A4 622.2743 414.9766
## 2       G_Berg       AKM 574.7724 518.0329
## 3  Lukesnake17       AKM 609.3053 434.5638
## 4     AlooGobi       SKS 616.3043 543.0726
## 5        Powfa      M416 619.6946 547.9025
## 6 DevilBlood35      M416 637.3341 547.4010

kel1 <- pubgmir %>% 
  select(killed_by) %>% 
group_by(killed_by) %>%
    summarise(n = n())

kel2 <- pubger %>% 
  select(killed_by) %>% 
group_by(killed_by) %>%
    summarise(n = n())

2.1 Pada Peta Miramar

options(scipen = 999)
p <- ggplot(kel1, aes(x = reorder(killed_by, -n), y = n)) +
  geom_col(fill = "steelblue") + 
  geom_text(aes(label = scales::comma(n), angle = 90), hjust = -0.1, size = 3) +
  xlab("Jenis Senjata") +
  ylab("Jumlah Korban") + 
  theme_classic() + 
  scale_y_discrete(expand = expand_scale(mult = c(0.01, 0.25)), labels = scales::comma) +
  labs(title = "Jumlah Korban berdasarkan Jenis Senjata yang digunakan pada Peta Miramar") +
  theme(axis.line = element_blank(),
        axis.ticks= element_blank(),
        axis.text.x = element_text(angle = 90, hjust = 1, vjust = 0.2),
        panel.grid.major.y = element_line(size = 1)
       )
p

Dari visualisasi di atas, didapat bahwa M416, SCAR-L, dan M16A4 merupakan jenis senjata yang paling efektif membunuh korban dengan jumlah korban lebih dari 200.000. Sedangkan, Machete, Sickle, dan Crowbar merupakan senjata-senjata yang kurang efektif karena hanya berhasil membunuh sedikit pemain. Untuk keefektifan senjatanya, akan dianalisis pada Analisis Klatestering di bawah.

2.2 Pada Peta Erangel

options(scipen = 999)
p1 <- ggplot(kel2, aes(x = reorder(killed_by, -n), y = n)) +
  geom_col(fill = "steelblue") +
  geom_text(aes(label = scales::comma(n), angle = 90), hjust = -0.1, size = 3) +
  xlab("Jenis Senjata") +
  ylab("Jumlah Korban") +
  theme_classic()+
  theme(axis.line = element_blank(),
        axis.ticks= element_blank(),
        axis.text.x = element_text(angle = 90, hjust = 1, vjust = 1)) +
  labs(title = "Jumlah Korban berdasarkan Jenis Senjata yang digunakan pada Peta Erangel") +
  scale_y_discrete(expand = expand_scale(mult = c(0.01, 0.25)), labels = scales::comma)
p1

Sama seperti peta miramar, di erangel pun M416, M16A4, dan SCAR-L pun menjadi senjata yang paling efektif untuk membunuh musuh. Hal ini dapat dilihat dari jumlah korban yang dihasilkan oleh ketiga senjata tersebut merupakan 3 terbanyak.

3.1 Analisis Titik Jatuhnya Korban pada Peta Miramar

img <- readJPEG("miramar.jpeg")
h1 <- ggplot(pubgmir, aes(x = pos_x, y = pos_y)) + 
  annotation_custom(rasterGrob(img, width=unit(1,"npc"),
                               height=unit(1,"npc")),
                    -Inf, Inf, -Inf, Inf) +
  stat_bin2d(alpha = 0.4, bins = 120) +
  scale_x_continuous(expand = c(0,0)) +
  scale_y_reverse(expand = c(0,0)) +
  scale_fill_gradient(low = "yellow", high = "red", name = "log 10 dari Jumlah Korban"
                      ,labels = scales::comma, trans = "log10"
                      ) +
  labs(title="Analisis titik jatuhnya korban peta miramar", caption="sumber: https://www.kaggle.com/skihikingkevin",x="Posisi x korban",y="Posisi y korban")

h1

Berdasarkan gambar di atas, dapat dilihat bahwa semakin banyak korban berjatuhan di titik tertentu ditunjukkan dengan warna yang semakin kemerahan. Berdasarkan peta miramar, banya korban berjatuhan di tengah. Hal ini dikarenakan lingkaran akan semakin mengecil dan mengarah ke tengah, sehingga semakin lama, pemain akan menuju ke arah tengah, sehingga banyak pemain gugur di area tengah peta. Sedangkan pemain banyak gugur di daerah power grid dan dekat San Martin.

3.2 Analisis Titik Jatuhnya Korban pada Peta Erangel

img <- readJPEG("erangel.jpg")
h <- ggplot(pubger, aes(x = pos_x, y = pos_y)) + 
  annotation_custom(rasterGrob(img, width=unit(1,"npc"), height=unit(1,"npc")),
                    -Inf, Inf, -Inf, Inf) +
  stat_bin2d(alpha = 0.4, bins = 100) +
  scale_x_continuous(expand = c(0,0)) +
  scale_y_reverse(expand = c(0,0)) +
  scale_fill_gradient(low = "yellow", high = "red", name = "log 10 dari Jumlah Korban", labels = scales::comma, trans = "log10") +
  labs(title="Analisis titik jatuhnya korban peta erangel", caption="sumber: https://www.kaggle.com/skihikingkevin",
       x="Posisi x korban",y= "Posisi y korban")
h

Berdasarkan peta Erangel di atas, dapat terlihat bahwa berdasarkan dataset yang digunakan, korban banyak berguguran di sekitar jalur penghubung antar pulau.

4.1 Membuat Variabel Jarak pada kedua peta

##               n    rerata
## AKM      199808 14155.185
## AUG        6562  8491.865
## AWM        5621 18580.762
## Crossbow   2819 49251.581
## Crowbar     744 84993.434
## Grenade   45940 23321.444

##            n     rerata
## 1 -0.3485618 -0.2969558
## 2  2.0526226 -0.5963066
## 3 -0.6486886  2.3786401

## [1] 2

##            n     rerata
## 1 -0.7046332  2.2980347
## 2  1.9623285 -0.5551989
## 3 -0.3496555 -0.3208072

## [1] 2

4.2 Menentukan Jumlah Klaster Optimal

wss <- function(data, maxCluster = 9) {
    # Initialize within sum of squares
    SSw <- (nrow(data) - 1) * sum(apply(data, 2, var))
    SSw <- vector()
    for (i in 2:maxCluster) {
        SSw[i] <- sum(kmeans(data, centers = i)$withinss)
    }
    plot(1:maxCluster, SSw, type = "o",
         xlab = "Jumlah Klaster",
         ylab = "Jumlah Kuadrat Error",
         pch=19)
}
wss(mir_scale)

Plot di atas merupakan elbow plot untuk menentukan jumlah klaster yang optimal. Klaster yang optimal berdasarkan metode elbow ini terletak pada elbow (sikunya). Berdasarkan plot di atas, jumlah klaster optimal adalah 3. Semakin banyak jumlah klaster mungkin akan memperkecil eror, namun semakin banyak jumlah klaster tidak terlalu baik secara waktu komputasi. Sehingga, dipilih jumlah klasternya 3.

wss <- function(data, maxCluster = 9) {
    # Initialize within sum of squares
    SSw <- (nrow(data) - 1) * sum(apply(data, 2, var))
    SSw <- vector()
    for (i in 2:maxCluster) {
        SSw[i] <- sum(kmeans(data, centers = i)$withinss)
    }
    plot(1:maxCluster, SSw, type = "o",
         xlab = "Jumlah Klaster",
         ylab = "Jumlah Kuadrat Error",
         pch=19)
}
wss(er_scale)

Sedangkan untuk peta Erangel, berdasarkan plot di atas, jumlah klaster optimal juga 3. ## Klaster pada peta Miramar

scar <- readPNG("weapon/SCAR-L.png")
m416 <- readPNG("weapon/M416.png")
m16a4 <- readPNG("weapon/M16A4.png")
  
labelpoint <- c("M16A4", "M249","P92", "R45","S686", "Tommy Gun", "VSS", "Kar98K", "M24", "M416", "Mk14", "P1911", "S1897", "SCAR-L", "SKS", "UMP9", "Win94", "Crossbow")
a <- ggplot(mirgab1, aes(x = n,y = rerata)) + geom_point(col = mirgab1$clus)+
  scale_x_continuous()+
  scale_y_continuous()+theme_bw()+
  geom_text_repel(data = subset(mirgab1, weapon %in% labelpoint), aes(label = weapon), color = "grey20", hjust = 1, vjust = 0.5)+
  xlab("Jumlah Pengguna")+ ylab("Rata-rata jarak")+ labs (title = "Analisis Jarak Efektif Senjata pada peta Miramar PUBG") + theme_classic()
a1 <- a + annotation_custom(rasterGrob(scar, width=unit(1,"npc"), height=unit(1,"npc")),
                    240000, 270000, 14000, 22000) +
           annotation_custom(rasterGrob(m416, width=unit(1,"npc"), height=unit(1,"npc")),
                    290000, 320000, 16000, 24000) +
           annotation_custom(rasterGrob(m16a4, width=unit(1,"npc"), height=unit(1,"npc")), 
                    200000, 230000, 17000, 25000)
a1

Plot di atas merupakan analisis rata-rata jarak (dalam meter) efektif sebuah senjata dalam membunuh musuh terhadap jumlah penggunanya pada peta Miramar.Terdapat 3 klaster di atas, yakni klaster hijau menunjukkan senjata-senjata dengan jarak efektif terjauh namun peminatnya sedikit, klaster hitam merupakan senjata-senjata yang efektif membunuh dalam jarak dekat dengan jumlah pengguna sedikit-sedang, dan klaster merah menunjukkan senjata-senjata yang efektif dalam jarak dekat (< 100000 meter) dan memiliki banyak peminat. Dapat dilihat bahwa M416,SCAR-L, dan M16A4 sangat populer untuk digunakan di peta Miramar.

4.3 Klaster pada peta Erangel

b <- ggplot(ergab1, aes(x = n,y = rerata)) + geom_point(col = ergab1$clus)+
  scale_x_continuous()+
  scale_y_continuous()+theme_bw()+
  geom_text_repel(data = subset(ergab1, weapon %in% labelpoint), aes(label = weapon), color = "grey20", hjust = 1, vjust = 0.5)+
  xlab("Jumlah Pengguna")+ ylab("Rata-rata jarak")+ labs (title = "Analisis Jarak Efektif Senjata pada peta Erangel PUBG") + theme_classic()
b1 <- b +  annotation_custom(rasterGrob(scar, width=unit(1,"npc"), height=unit(1,"npc")),
                    810000, 910000, 5000, 13000) +
           annotation_custom(rasterGrob(m416, width=unit(1,"npc"), height=unit(1,"npc")),
                    1135000, 1235000, 17000, 25000) +
           annotation_custom(rasterGrob(m16a4, width=unit(1,"npc"), height=unit(1,"npc")), 
                    950000, 1050000, 21000, 29000)
b1

Klaster di atas terbagi atas 3, yakni klaster hitam merupakan klaster dengan senjata yang efektif digunakan untuk jarak jauh, namun sangat sedikit pemain yang menggunakannya. Selain itu, klaster hijau merupakan klaster dengan pengguna sedikit yang mana penggunaannya untuk membunuh musuh dalam jarak dekat. Terakhir, klater merah merupakan klater yang paling banyak digunakan oleh para pemain PUBG, senjata - senjata tersebut efektif digunakan untuk jarak dekat.