Optimal Spending Error Berbasis Mean Squared Error Untuk Pengambilan Keputusan Ekonomi Optimal Pada Permainan Valorant

Alam, Muhammad Rizki Shah (2026) Optimal Spending Error Berbasis Mean Squared Error Untuk Pengambilan Keputusan Ekonomi Optimal Pada Permainan Valorant. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201123-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Dengan berakhirnya Valorant Chamapions 2024 yang diadakan di Seoul, Riot Games, selaku developer Valorant, memberikan update patch besar berdasarkan data dari VCT 2024 demi menjaga integritas keseimbangan Valorant. Salah satu strategi yang berubah karena adanya update patch adalah in-game economy decision. Oleh karenanya, untuk mengetahui apakah strategi ekonomi yang digunakan sudah optimal atau tidak, diperlukan sebuah parameter untuk mengukur hal ini. Sebuah penelitian yang dilakukan oleh Xenopoulos pada tahun 2021 menjelaskan tentang fungsi Optimal Spending Error (OSE) untuk permainan CSGO. Fungsi ini mengukur strategi ekonomi suatu tim dengan membandingkannya dengan data optimal hasil dari suatu model machine learning untuk mengetahui selisih error antara data optimal hasil training dengan data aktual hasil bermain dari pemain professional dan juga pemain kasual. Setelah dilakukan penyesuaian agar fungsi ini bisa digunakan di Valorant , didapatkan hasil bahwa perubahan strategi ekonomi yang diakibatkan oleh update patch memberikan perubahan secara signifikan kepada strategi yang digunakan oleh para pemain kasual, tetapi hanya memberikan peruabahan kecil kepada strategi yang digunakan oleh para pemain professional. Dengan hasil ini, diharapkan Riot Games, selaku developer Valorant bisa mempertimbangkan agar update patch tidak hanya didasarkan pada pengalaman bermain para pemain professional, tetapi juga mempertimbangkan pengalaman bermain pada pemain kasual demi menjaga keseimbangan antara keseruan serta kompetitif yang ada pada elemen permainannya.
====================================================================================================================================
With the conclusion of Valorant Champions 2024 held in Seoul, Riot Games, as the developer of Valorant, released a major patch update based on data from VCT 2024 to maintain the game’s competitive balance. One of the strategies affected by this update was in-game economic decision making. Therefore, to evaluate whether the economic strategies used were optimal, a parameter is required. A study conducted by Xenopoulos (2021) introduced the Optimal Spending Error (OSE) function for CSGO, which measures a team’s economic strategy by comparing actual spending decisions with optimal outcomes predicted by a machine learning model. This function quantifies the error between optimal spending derived from training data and actual spending observed among both professional and casual players. After adapting the OSE function for use in Valorant, the results show that patch-induced changes in economic strategy have a significant impact on casual players, while only minor changes are observed in the strategies employed by professional players. Based on these findings, it is recommended that Riot Games consider balancing future patch updates not only around professional play but also around the gameplay experience of casual players, in order to maintain a balance between competitive integrity and overall enjoyment.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Valorant, Machine Learning, Ekonomi, Valorant, Machine Learning, Economics
Subjects:	Q Science Q Science > QA Mathematics Q Science > QA Mathematics > QA269 Game theory Q Science > QA Mathematics > QA274.7 Markov processes--Mathematical models. Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA9.58 Algorithms
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Rizki Shah Alam
Date Deposited:	29 Jan 2026 08:02
Last Modified:	29 Jan 2026 08:02
URI:	http://repository.its.ac.id/id/eprint/131026

Actions (login required)

View Item