PENERAPAN RANDOM FOREST DALAM KLASIFIKASI FORMASI PERSEBAYA SURABAYA BERDASARKAN KARAKTERISTIK LAWAN PADA LIGA 1 INDONESIA MUSIM 2020–2025
Abstract
Perkembangan machine learning telah dimanfaatkan dalam analisis taktik sepak bola, salah satunya untuk mengklasifikasikan formasi berdasarkan karakteristik lawan. Penelitian ini bertujuan menerapkan algoritma Random Forest untuk mengklasifikasikan formasi Persebaya Surabaya pada kompetisi Liga 1 Indonesia musim 2020–2025. Dataset yang digunakan terdiri dari 172 pertandingan yang dikumpulkan dari platform Sofascore dengan memanfaatkan enam variabel karakteristik lawan sebagai fitur masukan. Model dibangun melalui tahapan pra-pemrosesan data, pembagian dataset dengan rasio 80:20, serta evaluasi menggunakan confusion matrix, accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Random Forest memperoleh accuracy sebesar 87,88%, precision 0,90, recall 0,88, dan F1-score 0,89. Selain itu, persentase penguasaan bola menjadi fitur yang paling berpengaruh dalam proses klasifikasi. Hasil tersebut menunjukkan bahwa Random Forest mampu mengklasifikasikan formasi Persebaya Surabaya berdasarkan karakteristik lawan dengan kinerja yang baik.
Downloads
References
Hidayat, “Analitik prediktif sepakbola : model machine learning bri liga 1 indonesia Soccer predictive analytics : bri liga 1 indonesia machine learning models,” vol. 23, no. 4, pp. 386–399, 2024.
J. E. Teixeira, E. Maio, and P. Afonso, “Mapping football tactical behavior and collective dynamics with arti fi cial intelligence : a systematic review,” no. May, 2025, doi: 10.3389/fspor.2025.1569155.
K. Fujii, Machine Learning in Sports. 2024.
S. Plakias, T. Tsatalas, V. Armatas, and D. Tsaopoulos, “Tactical Situations and Playing Styles as Key Performance Indicators in Soccer,” 2024.
L. E. O. Breiman, “Random Forests,” pp. 5–32, 2001.
R. R. Fitri et al., “PENGGUNAAN RANDOM FOREST DALAM SISTEM,” vol. 13, no. 3.
A. D. Harahap, D. Juardi, A. Susilo, Y. Irawan, U. S. Karawang, and T. Timur, “PHISHING MENGGUNAKAN ALGORITMA RANDOM,” vol. 12, no. 3, 2024.
E. Triawan, N. Suarna, and A. R. Dikananda, “KLASIFIKASI TIPE PENYERANG SEPAK BOLA LIGA INGGRIS BERDASARKAN DATA STATISTIK PEMAIN MENGGUNAKAN METODE NAIVE BAYES,” vol. 8, no. 2, pp. 1809–1814, 2024.
N. W. Wisswani, T. R. Tulili, M. F. Andrijasa, and M. R. S. N, “KLASIFIKASI TIPE GELANDANG SEPAK BOLA BERDASARKAN,” vol. 2, no. July, pp. 46–50, 2020.
A. Yanto, “Implementasi Metode Klasifikasi Naïve Bayes Untuk Memprediksi Juara La Liga,” vol. 5, no. May, pp. 128–139, 2024, doi: 10.35957/jtsi.v5i2.8028.
S. Kusmakar, S. Shelyag, D. A. N. Dwyer, P. Gastin, and M. Angelova, “Machine Learning Enabled Team Performance Analysis in the Dynamical Environment of Soccer,” vol. 8, 2020, doi: 10.1109/ACCESS.2020.2992025.
H. Kim, “SoccerCPD : Formation and Role Change-Point Detection in Soccer Matches Using Spatiotemporal Tracking Data,” 2023, doi: 10.1145/3534678.3539150.
H. Sotudeh, “formation identi fi cation in,” vol. 1, no. February, pp. 1–15, 2025, doi: 10.3389/fspor.2024.1512386.
A. A. Permana et al., Machine learning. 2023.
G. James, D. Witten, T. Hastie, and R. Tibshirani, “An Introduction to Statistical Learning,” 2021.
Genuer & Poggi, Random Forests with R. 2020.
J. Han, DATA MINING Concepts and Techniques. 2012.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
