Prediksi Nilai Pasar Pemain Sepak Bola Menggunakan Algoritma Random Forest Berdasarkan Atribut Permainan Dari Game Football Manager 2023 Pada Lima Liga Top Eropa (Berdasarkan Koefisien UEFA)

Abstract

Sepak bola bukan hanya sekadar olahraga, tetapi juga industri bernilai miliaran dolar, khususnya di Eropa. Salah satu aspek krusial dalam industri ini adalah penentuan nilai pasar pemain, yang menjadi dasar bagi transaksi transfer pemain. Nilai pasar pemain dipengaruhi oleh berbagai faktor, seperti performa, usia, posisi, serta aspek fisik dan mental. Namun, terdapat kesenjangan dalam penilaian nilai pasar, di mana pemain dengan statistik performa tinggi terkadang memiliki nilai pasar yang lebih rendah dibandingkan pemain dengan performa yang kurang optimal. Oleh karena itu, prediksi nilai pasar pemain secara objektif menjadi tantangan penting bagi klub sepak bola dalam pengambilan keputusan strategis. Penelitian ini mengusulkan model prediksi berbasis Random Forest untuk mengestimasi nilai pasar pemain secara objektif dengan memanfaatkan data atribut permainan dari Football Manager 2023. Dataset mencakup 1.405 pemain dari lima liga top Eropa (berdasarkan koefisien UEFA 2023) dengan 66 variabel. Metodologi penelitian meliputi tahap preprocessing data (handling missing values,label encoding), Exploratory Data Analysis (EDA), pembangunan model Random Forest, dan implementasi sistem berbasis web. Pembagian data menggunakan rasio 80:20 (training-testing), sementara evaluasi kinerja model dilakukan melalui metrik RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), dan R² (Koefisien Determinasi). Hasil eksperimen menunjukkan bahwa model baseline dengan parameter default memperoleh nilai Root Mean Squared Error (RMSE) sebesar 0.63, Mean Absolute Error (MAE) sebesar 0.517, dan koefisien determinasi (R²) sebesar 0.75. Setelah dilakukan optimasi hyperparameter menggunakan Grid Search, kinerja model mengalami peningkatan yang signifikan dengan RMSE sebesar 0.62, MAE sebesar 0.513, dan R² sebesar 0.76. Model optimal diimplementasikan ke dalam sebuah situs web untuk mempermudah melakukan prediksi nilai pasar pemain. Hasil penelitian menunjukkan bahwa model Random Forest Regression mampu memberikan prediksi nilai pasar dengan tingkat akurasi yang lebih baik dibandingkan metode lain yang telah diuji dalam penelitian terdahulu.