PrediksiNilaiPasarPemainSepakBolaMenggunakanXGBoostdanRandomForestsebagaiPendukungKeputusanRekrutmen

Syah Rafi, Zidane (2026) PrediksiNilaiPasarPemainSepakBolaMenggunakanXGBoostdanRandomForestsebagaiPendukungKeputusanRekrutmen. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (615kB)
	PDF BAB_I.pdf Download (336kB)
	PDF BAB_II.pdf Download (429kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (773kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (813kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (179kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (211kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (511kB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (991kB)
	Archive (ZIP) 00000065977_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Industri sepak bola modern menuntut proses rekrutmen pemain dengan pendekatan berbasis data, terukur dan objektif sebagai pendukung keputusan transfer yang berkaitan langsung dengan kebutuhan tim dan efisiensi finansial klub. Penelitian ini bertujuan untuk membandingkan kinerja XGBoost Regression dan Random Forest Regression dalam memprediksi nilai pasar pemain sepak bola sebagai informasi pendukung keputusan rekrutmen. Data yang digunakan adalah FIFA 24 Player Stats Dataset yang terdiri dari 5.682 observasi awal dan 41 atribut. Penelitian ini dilakukan dengan pendekatan data mining menggunakan tahapan CRISP-DM. Tahap pemrosesan data meliputi penghapusan data duplikat, penghapusan atribut yang tidak informatif, konversi variabel target ke bentuk numerik, transformasi logaritmik menjadi value_log, serta metode frequency encoding pada atribut kategorikal. Evaluasi model dilakukan menggunakan MAE, RMSE, R², residual, cross-validation, dan segmentasi nilai pasar. Hasil penelitian menunjukkan bahwa XGBoost Regression lebih unggul pada skala logaritmik dengan nilai R² diperoleh sebesar 0,8693, RMSE sebesar 1,6166, dan MAE sebesar 0,9779. Perbandingan kebalikannya, pada skala nilai pasar asli yaitu Dolar Amerika Serikat (USD), Random Forest Regression lebih relevan digunakan untuk interpretasi nilai pasar pemain dalam bentuk nominal, sedangkan XGBoost Regression lebih optimal dalam mempelajari pola target pada skala logaritmik. Hasil penelitian ini dapat digunakan untuk membantu penilaian kewajaran nilai pasar pemain secara objektif dan berbasis data.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Syah Rafi, Zidane (00000065977)
Contributors:	Indah Fianty, Melissa
Keywords:	Machine Learning, Nilai Pasar Pemain, Random Forest Regression, Rekrutmen Pemain, XGBoost Regression
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	25 Jul 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/48111

Actions (login required)

View Item