Prediksi Poin Fantasy Premier League Berdasarkan Posisi Pemain Berbasis Deep Learning
Abstract
Fantasy Premier League (FPL) merupakan game berbasis olahraga fantasi yang berfokus
pada sepakbola khususnya Liga Primer Inggris. Setiap manajer dalam permainan ini
diberikan kesempatan untuk membangun tim virtual selama satu musim. Sebuah tim
virtual terdiri dari berbagai posisi pemain yang akan mendapatkan poin FPL berdasarkan
performa mereka dalam dunia nyata. Penelitian ini bertujuan untuk mengimplementasikan
algoritma deep learning untuk memprediksi total poin FPL yang dihasilkan oleh pemain
berdasarkan performa mereka pada 5 pertandingan terakhir. Model prediksi dirancang
dengan menggunakan algoritma Convolutional Neural Network yang terdiri dari lapisan
konvolusi satu dimensi, maxpooling, dan dense. Selain itu, Algoritma Long Short-Term
Memory (LSTM) dengan lapisan LSTM dan Dense berjumlah 64 unit ditambahkan
sebagai perbandingan model untuk mengetahui performa model deep learning terbaik pada
penelitian ini. Pada skenario pertama, rasio data 70:30 diperoleh nilai rata-rata dari 4 posisi
pemain dengan Mean Squared Error (MSE) menggunakan CNN ialah 0.0052 dan 0.0027
untuk LSTM. Sementara itu, pada skenario kedua dengan rasio data 80:20, diperoleh hasil
evaluasi adalah 0.0027 untuk CNN dan LSTM sebesar 0.0025. Hasil evaluasi model
menunjukkan bahwa algoritma LSTM, dengan memanfaatkan tiga pintu pada arsitektur
model, lebih unggul dalam mengenali urutan data historis dibandingkan dengan algoritma
CNN.