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.