Klasifikasi Kesesuaian Market Value dan Performa Pemain Sepak Bola Liga Eredivisie Menggunakan Random Forest dan Gradient Boosting (Studi Kasus: Liga Eredivisie Musim 2023/2024)

Abstract

Penelitian ini bertujuan mengembangkan model klasifikasi untuk mengevaluasi kesesuaian antara market value dan performa aktual pemain sepak bola Liga Eredivisie Belanda musim 2023/2024. Dataset terdiri dari 347 pemain dengan data performa (WhoScored) dan market value (Transfermarkt), yang dikategorikan ke dalam kelas 'Undervalued', 'Overvalued', atau 'Fairly Valued'. Ketidakseimbangan kelas signifikan (72,91% 'Fairly Valued') diatasi melalui cost-sensitive learning pada algoritma Random Forest dan Gradient Boosting. Hasil komparatif menunjukkan Random Forestsebagai model superior dengan Akurasi 81,43%, F1- Score Macro 0,7306, dan ROC-AUC Macro 0,9261, serta profil risiko bisnis lebih aman (Presisi 62% vs 47% Gradient Boosting untuk kelas 'Undervalued'). Analisis kepentingan fitur mengungkap temuan orisinal: metrik distribusi bola Average Pass Length (0,0844) dan Pass Success Accuracy (0,0843) mendominasi klasifikasi valuasi, mengungguli statistik gol. Fenomena ini memvalidasi "development league hypothesis", di mana Liga Eredivisie sebagai liga pengembangan talenta menempatkan premi tinggi pada transferable skills dibanding end product. Penelitian ini mengusulkan Tiered Scouting System sebagai framework hybrid yang mengintegrasikan prediksi model (Tier 1) dengan validasi human scout (Tier 2) untuk mitigasi risiko investasi. Temuan ini berkontribusi sebagai instrumen analitik berbasis bukti bagi manajemen klub dalam strategi rekrutmen dan investasi pemain.