Multilayer perceptrons dalam memprediksi kemenangan sepak bola UEFA EURO 2016

Abstract

Sepak bola merupakan olah raga yang paling populer di dunia, tidak heran jika banyak penggemar olah raga dominan memiliki tim favorit pada sepak bola. Tentunya, para penggemar menginginkan tim idola mereka untuk menang, namun seringkali prediksi mereka tidak didasari oleh data yang akurat. Maka dari itu, penelitian ini berguna dalam memprediksi kemenangan sepak bola terutama pada UEFA EURO 2016 dengan menggunakan data yang akurat, dan prediksi dilakukan menggunakan salah satu metode dalam Machine Learning, yaitu Jaringan Saraf Tiruan. Pada Jaringan Saraf Tiruan, model yang digunakan adalah model Multilayer Perceptrons atau disingkat MLP dengan pembelajaran menggunakan backpropagation, dimana MLP dapat menerima masukan, mengolahnya, kemudian menghasilkan keluaran. library Tensorflow. Keras digunakan dalam pembuatan model MLP. Data statistik tim pada pertandingan UEFA EURO 2016 dikumpulkan terlebih dahulu melalui situs resmi UEFA dan dilakukan eksplorasi terhadap data tersebut. Hasil eksplorasi didapatkan bahwa format data harus diubah terlebih dahulu dari int menjadi tipe data float. Setelah tipe data diubah, normalisasi perlu dilakukan, dikarenakan jarak nilai antara satu fitur dengan fitur lainnya ada yang jauh. Dalam eksplorasi teknologi yang dilakukan terhadap Tensorflow.Keras, didapatkan bahwa fungsi aktivasi yang digunakan adalah ReLU, kelas pengubah acaknya adalah he_normal, kelas loss sparse_categorical_crossentropy, dan kelas optimasi berupa Adam. Prediksi dapat dilakukan dengan Membuat model pertama kali dan dilakukan evaluasi menggunakan K-Fold Cross Validation dan menghasilkan akurasi sebesar 50-60%, setelah dilakukan optimasi terhadap learning rate, jumlah epoch, dan cara mengatasi overfitting, model baru berhasil dibuat. Model baru yang dibuat menghasilkan akurasi sebesar 90-95% setelah di evaluasi menggunakan K-Fold Cross Validation. Setelah mendapatkan model, prediksi dapat dilakukan menggunakan model tersebut dan setelah hasilnya keluar, akurasi prediksi didapat 75%. Model yang digunakan sehingga tercipta akurasi sebesar 75% itu dengan menggunakan model MLP 8-7-3, dimana terdapat delapan unit pada input layer, tujuh unit pada hiden layer, dan tiga unit pada output layer.