Analisis Perbandingan Algoritma Random Forest, XGBoost, dan Long Short-Term Memory (LSTM) dalam Memprediksi Performa Pemain NBA pada Musim Selanjutnya (Studi Kasus : Data Statistik Pemain NBA pada Musim Reguler)

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan perubahan performa pemain National Basketball Association (NBA) berdasarkan statistik musim 2022/2023 dan

2023/2024 menggunakan algoritma Random Forest, XGBoost, dan Long Short- Term Memory (LSTM). Data yang digunakan diperoleh dari Kaggle dan terdiri atas

432 pemain dengan lima variabel utama, yaitu Points (PTS), Assists (AST), Rebounds (TRB), Steals (STL), dan Blocks (BLK). Proses penelitian diawali dengan prapemrosesan data, dilanjutkan dengan proses pelabelan menggunakan nilai Performance Difference yang diperoleh dari perubahan kelima variabel tersebut. Berdasarkan nilai tersebut, pemain diklasifikasikan ke dalam tiga kategori, yaitu Improved, Stagnant, dan Declined. Selanjutnya, data dibagi menjadi data latih dan data uji, kemudian dilakukan pembangunan model menggunakan algoritma Random Forest, XGBoost, dan LSTM. Evaluasi model dilakukan menggunakan confusion matrix serta metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik dengan nilai accuracy sebesar 0,78, precision 0,79, recall 0,78, dan F1-score 0,78. Model XGBoost memperoleh accuracy 0,77, precision 0,78, recall 0,77, dan F1-score 0,77, sedangkan model LSTM memperoleh accuracy 0,76, precision 0,83, recall 0,76, dan F1-score 0,78. Berdasarkan hasil tersebut, Random Forest dipilih sebagai model terbaik karena memiliki performa yang paling konsisten dalam mengklasifikasikan perubahan performa pemain NBA.