ETD - UIR

Electronic Thesis and Dissertation

  • Home
  • Information
  • News
  • Help
  • Librarian
  • Member Area
    Member Login Online Registration
  • Select Language :
    Arabic Bengali Brazilian Portuguese English Espanol German Indonesian Japanese Malay Persian Russian Thai Turkish Urdu

Search by :

ALL Author Subject NPM Advanced Search

Last search:

{{tmpObj[k].text}}
Image of Klasifikasi Posisi Terbaik Pemain Muda Pada Game Football Manager 2024 Menggunakan Algoritma Machine Learning Random Forest Dan Decision Tree
Bookmark Share

Text

Klasifikasi Posisi Terbaik Pemain Muda Pada Game Football Manager 2024 Menggunakan Algoritma Machine Learning Random Forest Dan Decision Tree

DIMAS DANUARTA - Personal Name; Rizky Wandri - Personal Name;

Penentuan posisi terbaik pemain muda dalam gim Football Manager 2024 (FM24) umumnya masih bergantung pada intuisi manajer dan rekomendasi default, sehingga potensi data atribut teknikal, mental, dan fisik belum dimanfaatkan optimal untuk pengambilan keputusan berbasis data. Penelitian ini bertujuan membangun dan menganalisis model klasifikasi posisi pemain muda berbasis supervised machine learning, membandingkan kinerja decision tree dan random forest, sekaligus mengidentifikasi atribut yang paling berpengaruh dan mengecek dampaknya melalui uji in-game. Dataset terdiri dari 909 pemain berusia ?21 tahun dari lima liga top Eropa dengan 39 atribut numerik yang diproses melalui tahapan preprocessing, pembagian data secara stratified, dan pelatihan model pada 12 kelas posisi utama. Evaluasi menggunakan akurasi, precision, recall, f1-score, confusion matrix, serta 5-fold cross-validation. Hasil menunjukkan random forest secara konsisten mengungguli decision tree dengan akurasi dan F1-weighted sekitar dua pertiga, sedangkan decision tree berada di kisaran setengah. Analisis feature importance mengungkap kombinasi atribut teknikal menyerang dan bertahan, atribut mental-posisional, serta atribut fisik sebagai penentu utama, dengan sekitar 15 fitur teratas yang mampu menjaga kinerja model. Uji in-game terhadap tujuh pemain muda pada serangkaian laga uji coba menunjukkan bahwa penempatan berdasarkan prediksi model umumnya tidak menurunkan dan dalam banyak kasus justru meningkatkan rata-rata match rating pemain. Temuan ini menegaskan bahwa Random Forest layak digunakan sebagai alat bantu pengambilan keputusan yang tervalidasi sekaligus menawarkan ringkasan atribut kunci bagi pengembangan talenta muda dan riset lanjutan.


Availability
#
Teknik Informatika (FAKULTAS TEKNIK) informatika 790.1 Dim k
ETD3657II
Available but not for loan - ETD
Detail Information
Call Number
informatika 790.1 Dim k
Language
Indonesia
NPM
213510196
Publisher
Teknik Informatika : Universitas Islam Riau., 2026
Keyword(s)
Decision Tree
machine learning
Random Forest
Football Manager 2024
klasifikasi posisi pemain
Other Information
Petugas
Ayu Agustina
Other version/related

No other version available

File Attachment
  • Please login to see this attachment
Comments

You must be logged in to post a comment

ETD - UIR
  • Information
  • Services
  • Librarian
  • Member Area

About Us

As a complete Library Management System, SLiMS (Senayan Library Management System) has many features that will help libraries and librarians to do their job easily and quickly. Follow this link to show some features provided by SLiMS.

Search

start it by typing one or more keywords for title, author or subject

Keep SLiMS Alive Want to Contribute?

© 2026 — Senayan Developer Community

Powered by SLiMS
Select the topic you are interested in
  • Computer Science, Information & General Works
  • Philosophy & Psychology
  • Religion
  • Social Sciences
  • Language
  • Pure Science
  • Applied Sciences
  • Art & Recreation
  • Literature
  • History & Geography
Icons made by Freepik from www.flaticon.com
Advanced Search
Where do you want to share?