PREDIKSI NILAI POTENTIAL ABILITY DALAM GAME FOOTBALL MANAGER MENGGUNAKAN ALGORITMA XGBOOST DAN METODE XGBOOST FEATURE IMPORTANCE

Nofan Zohrial, . (2026) PREDIKSI NILAI POTENTIAL ABILITY DALAM GAME FOOTBALL MANAGER MENGGUNAKAN ALGORITMA XGBOOST DAN METODE XGBOOST FEATURE IMPORTANCE. Tugas Akhir thesis, UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN YOGYAKARTA.

	Text Cover_123220023.pdf Download (366kB)
	Text Abstrak_123220023.pdf Download (347kB)
	Text Halaman Pengesahan_123220023.pdf Download (367kB)
	Text Daftar Isi_123220023.pdf Download (727kB)
	Text Daftar Pustaka_123220023.pdf Download (350kB)
	Text Fulltext_123220023.pdf Restricted to Repository staff only Download (3MB)

Abstract

Perkembangan industri game digital di Indonesia mendorong pemanfaatan analisis data dalam game simulasi manajemen olahraga seperti Football Manager (FM). Salah satu tantangan utama dalam permainan ini adalah memprediksi Potential Ability (PA), yaitu atribut tersembunyi yang merepresentasikan batas maksimal kemampuan pemain di masa depan. Penelitian sebelumnya umumnya menggunakan pendekatan klasifikasi biner dan belum mengoptimalkan seleksi fitur, sehingga kurang merepresentasikan nilai PA yang bersifat numerik serta berpotensi menurunkan performa model. Oleh karena itu, penelitian ini menerapkan pendekatan regresi menggunakan algoritma Extreme Gradient Boosting (XGBoost) untuk memprediksi nilai PA secara kontinu.
Dataset diperoleh dari Kaggle dengan menggabungkan FM 2020 dan FM 2023 sebanyak 153.603 entri data. Tahapan preprocessing meliputi cleaning, harmonization, merging, serta refinement untuk mengonversi kode PA negatif menjadi nilai aktual, diikuti transformasi fitur kategorikal menggunakan Ordinal Encoder. Data dibagi dengan rasio 80:20 untuk pelatihan dan pengujian. Seleksi fitur dilakukan melalui XGBoost Feature Importance berbasis Gain dengan ambang 1,25 kali median, sementara optimasi hyperparameter menggunakan Optuna dengan metode TPE.
Hasil penelitian menunjukkan bahwa model XGBoost regresi menghasilkan performa terbaik setelah tuning dengan RMSE 9.86, MAE 7,43, dan R² sebesar 0,86. Proses seleksi fitur berhasil mereduksi atribut dari 60 menjadi 24 tanpa penurunan akurasi yang signifikan, dengan model akhir mempertahankan MAE 7,67, RMSE 10.21 dan R² 0,85. Penelitian ini membuktikan bahwa seleksi fitur berbasis Gain mampu meningkatkan efisiensi komputasi sekaligus menghasilkan prediksi PA yang akurat dan objektif dalam konteks simulasi manajemen sepak bola digital.

Kata Kunci: Football Manager, Potential Ability, XGBoost, Feature Importance, Optuna.

Item Type:	Tugas Akhir (Tugas Akhir)
Additional Information:	Nofan Zohrial (Penulis - 123220023) Rifki Indra Perwira (Pembimbing)
Uncontrolled Keywords:	Football Manager, Potential Ability, XGBoost, Feature Importance, Optuna.
Subjek:	Q Science > Q Science (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Indah Lestari
Date Deposited:	27 Feb 2026 07:43
Last Modified:	27 Feb 2026 07:43
URI:	http://eprints.upnyk.ac.id/id/eprint/47191

Actions (login required)

View Item