Arsitektur Matchmaking di Platform Gaming Modern — Menyeimbangkan Skill dan Wait Time

Salah satu tantangan engineering yang paling tricky di platform gaming multi-player modern bukan soal grafis atau netcode — tapi matchmaking. Bagaimana caranya menemukan lawan yang seimbang secara skill, dalam wait time yang wajar, dengan latensi yang acceptable, saat kondisi playerbase terus berubah setiap detik? Ini masalah optimisasi multi-variabel yang lebih rumit dari kelihatannya.

Fundamental: Elo, Glicko, dan TrueSkill

Kebanyakan sistem matchmaking modern berbasis rating system. Elo — dirancang untuk catur — masih jadi fondasi banyak sistem. Konsepnya sederhana: setiap pemain punya rating, pemenang menyerap poin dari yang kalah, magnitude perpindahan poin bergantung pada selisih rating.

Masalah Elo di gaming online: dia mengasumsikan hasil pertandingan hanya bergantung pada skill relatif. Realitanya, gaming punya variance tinggi — luck factor, teamplay dynamics, meta shifts. Ini bikin Elo cepat konvergen tapi kurang responsif terhadap perubahan skill sebenarnya.

Glicko dan Glicko-2 memperbaiki ini dengan menambahkan konsep uncertainty. Setiap pemain punya rating deviation — seberapa yakin sistem soal rating pemain. Pemain baru punya deviation tinggi (rating bisa berubah drastis dari beberapa match). Pemain veteran dengan banyak match punya deviation rendah. TrueSkill dari Microsoft memperluas ini untuk multi-player dan team-based games.

Matchmaking Rating vs Visible Rank

Sebagian besar platform kompetitif memisahkan matchmaking rating (MMR) dari visible rank. MMR adalah nilai internal yang sistem gunakan untuk pairing. Visible rank adalah label yang pemain lihat — biasanya lebih kasar dan lebih "sticky" untuk psychology.

class Player:
    def __init__(self, player_id):
        self.id = player_id
        self.mmr = 1500
        self.mmr_deviation = 350
        self.visible_rank = "Bronze III"
        self.games_played = 0

    def update_after_match(self, outcome, opponent_mmr):
        expected = 1 / (1 + 10 ** ((opponent_mmr - self.mmr) / 400))
        k_factor = self._get_k_factor()
        self.mmr += k_factor * (outcome - expected)
        self.games_played += 1

Kenapa dipisah? Karena visible rank yang volatile bikin frustrating. Turun rank karena kalah beruntun terasa jauh lebih buruk daripada MMR turun beberapa puluh poin.

Pool Selection dan Time-based Relaxation

Ketika pemain masuk antrian, sistem memulai dengan mencari lawan dengan MMR sangat mirip. Kalau tidak ketemu dalam beberapa detik, kriteria diperlonggar. Ini yang bikin wait time dan match quality saling trade-off.

function findMatch(player, elapsedSeconds) {
  const baseRange = 50;
  const relaxationRate = 25;
  const maxRange = 400;

  const currentRange = Math.min(
    baseRange + Math.floor(elapsedSeconds / 5) * relaxationRate,
    maxRange
  );

  return findPlayersInRange(player.mmr, currentRange);
}

Platform gaming dengan playerbase besar bisa mempertahankan match quality tinggi karena selalu ada cukup pemain dalam rentang MMR sempit. Platform CUANWD yang menargetkan pemain Indonesia mendapat keuntungan concentration ini — playerbase lokal yang aktif memungkinkan matchmaking yang lebih presisi tanpa wait time berlebih.

Latency-aware Matchmaking

Matchmaking modern tidak cuma consider skill. Latency juga jadi variabel kritis. Match antara dua pro player dengan ping 300ms akan terasa buruk meski rating match sempurna.

Pendekatan common: bucket pemain berdasarkan region/datacenter, lakukan matchmaking dalam bucket dulu, cross-region hanya kalau bucket lokal tidak memiliki cukup pemain. Beberapa platform yang lebih canggih memakai geolocation plus latency probing untuk memilih server yang meminimalkan latensi maksimum antar pemain dalam satu match.

Party dan Team Matchmaking

Kompleksitas naik drastis saat pemain bermain dalam party. Cara umum: hitung effective party MMR (average, atau rumus lebih canggih yang consider variance). Party besar biasanya di-penalize sedikit karena koordinasi tim memberi advantage.

Team matchmaking punya edge case menarik. Bagaimana kalau party 5 orang dengan MMR variance tinggi? Rata-rata 2000 tapi ada satu pemain 3000 dan satu pemain 1200 — ini beda character dari 5 pemain solid 2000. Platform matang biasanya punya heuristik untuk mendeteksi dan handle ini dengan tepat.

Behavioral Matchmaking

Beberapa platform mulai include behavioral signals dalam matchmaking. Toxic players dipasangkan dengan toxic players lain. Pemain yang sering AFK diberi weight lebih rendah. Pemain positif diberi priority dalam queue.

Platform yang mempertahankan komunitas sehat biasanya melakukan investasi di dimensi ini — filosofi yang berkaitan dengan konsistensi platform yang saya bahas lebih detail di artikel tentang filosofi CUANWD.

Debug dan Monitoring

Sistem matchmaking harus observable. Metrik yang perlu dipantau:

Match quality distribution (MMR delta antar tim)
Wait time percentiles (p50, p95, p99)
Match completion rate (berapa persen match selesai vs abandoned)
Rematch rate (berapa sering pemain sama ketemu berulang)

Anomali di metrik ini sering jadi early warning kalau ada masalah — mungkin backend issue, exploit yang bikin manipulation MMR, atau perubahan meta game yang bikin balance pecah. Diskusi soal bagaimana platform gaming struktur backend-nya bisa dibaca di artikel anatomi teknis platform gaming di GitBook.

Untuk Pemain Indonesia

Platform seperti CUANWD ID yang serius soal kualitas matchmaking berinvestasi bukan cuma di algoritma, tapi juga di infrastruktur regional. Untuk pemain di Indonesia, ini terlihat sebagai match yang lebih seimbang, ping yang lebih stabil, dan komunitas yang lebih hidup.

Matchmaking yang bagus terasa seperti tidak ada — karena game jadi enjoyable dan kompetitif tanpa kita mikirin. Ini adalah engineering problem yang butuh iterasi terus-menerus, dan platform yang berkomitmen jangka panjang biasanya menang di area ini.

DEV Community