Perbandingan Metode Prediksi Pertandingan NBA Menggunakan Machine Learning

PARADILAGA, SATRIA NUSA (2022) Perbandingan Metode Prediksi Pertandingan NBA Menggunakan Machine Learning. S2 thesis, UNIVERSITAS ATMA JAYA YOGYAKARTA.

Preview	Text (SATRIA NUSA PARADILAGA) 20 53 03270 0.pdf Download (478kB) | Preview
Preview	Text 20 53 03270 1.pdf Download (373kB) | Preview
Preview	Text 20 53 03270 2.pdf Download (374kB) | Preview
	Text 20 53 03270 3.pdf Restricted to Registered users only Download (663kB)
	Text 20 53 03270 4.pdf Restricted to Registered users only Download (370kB)
	Text 20 53 03270 5.pdf Restricted to Registered users only Download (1MB)
Preview	Text 20 53 03270 6.pdf Download (350kB) | Preview

Abstract

Basket merupakan salah satu olahraga yang paling terkenal didunia dengan estimasi fans untuk olahraga ini diseluruh dunia berjumlah 2.2 miliar, menempatkan basket menjadi olahraga ketiga yang paling digemari diseluruh dunia. NBA menjadi liga basket yang paling terkenal dan paling bergengsi diseluruh dunia, dengan estimasi penghasilan yang didapat lebih dari 7.92 miliar dollar. Karena pengaruhnya itu prediksi pertandingan NBA dengan menggunakan data statistika menjadi hal yang biasa dengan menggunakan machine learning. Penelitian ini bertujuan untuk mencari metode yang paling cocok diantara Support Vector Machine, Gaussian Naïve Bayes, Artificial Neural Network, dan Random Forest dan menemukan strategi untuk meningkatkan kemenangan tim Milwaukee Bucks. Penelitian ini berfokus pada tim NBA Milwaukee Bucks, data yang digunakan adalah data musim 2015/2016 sampai 2020/2021. Penelitan ini membandingkan dan menganalisi hasil classification report dan learning curve dari keempat model serta waktu yang dibutuhkan dalam pelatihan. Hasil yang didapatkan adalah Support Vector Machines menjadi model yang paling cocok dengan nilai akurasi sebesar 98%, performa ini dapat dilihat pada nilai precision, recall, f1- score untuk macro average sebesar 98% ,99%,98%, dengan waktu 4.104 miliseconds dan hasil learning curve menunjukan bahwa model SVM mampu memahami dataset yang digunakan. Hasil analisis terhadap stats tim Milwaukee Bucks menunjukan bahwa tim tersebut perlu meningkatkan efisiensi offensive dan defense, seperti memasukan tembakan 3 point/ 2 point, rajin melakukan rebound dan melakukan assist ketika ada kesempatan. Hal unik terjadi pada field goal attempt, semakin banyak mencoba menembak point di field kesempatan tim Bucks menang semakin kecil.

Actions (login required)

View Item