Perpustakaan Digital ITB

Indonesia merupakan salah satu negara dengan persentase penggemar sepak bola terbanyak di dunia. Sayangnya, prestasi tim nasional sepakbola Indonesia tidak berbanding lurus dengan animo positif dukungan penggemarnya. Kurangnya implementasi teknologi dalam pengembangan kualitas sepak bola Indonesia menjadi salah satu faktor yang membuat sepak bola Indonesia tertinggal dari negara lain. Analisis pertandingan merupakan salah satu metode paling efektif bagaimana tim sepak bola mengevaluasi permainannya sendiri sekaligus mempelajari pola permainan lawan. Tidak heran, berbagai metriks kunci diperkenalkan untuk menilai baik performasi tim maupun individu. Expected Goal (xG) merupakan indikator yang digunakan untuk menghitung peluang sebuah tembakan berbuah gol. Artinya, informasi kunci sebuah tembakan akan dikumpulkan untuk diamati pengaruhnya dalam probabilitas kejadian sebuah gol. Oleh karena itu, dalam menciptakan model expected goal yang akurat, penelitian ini menggunakan data 421.273 tembakan dari enam liga elit eropa periode musim 2014-2022. Dalam menghasilkan model expected goal, akan digunakan pembelajaran mesin berbasis supervised learning dengan jenis binary classification. Algoritma gradient boosting merupakan salah satu jenis algoritma machine learning populer dan cukup akurat saat ini. Penelitian ini bertujuan untuk menghasilkan model perhitungan expected goal terbaik di antara tiga algoritma gradient boosting, yaitu CatBoost, XGBoost, dan LightGBM. Penelitan ini juga menyertakan tahapan hyper-parameter tuning untuk mengoptimasi kinerja model. Berdasarkan pengujian dengan metriks Logloss, Brier score, dan AUROC score, algoritma gradient boosting paling akurat adalah XGBoost dibanding algoritma lainnya.