Industri sepak bola modern semakin kompleks. Dulu, pelatih dan pakar mengandalkan insting untuk menilai pemain atau menyusun taktik. Tapi, kini dengan melimpahnya informasi tentang pemain, tim, pertandingan, dan musim, teknologi Machine Learning (ML) hadir merevolusi cara klub mengambil keputusan strategis. ML terbukti ampuh memprediksi cedera, mengestimasi nilai pasar pemain, hingga mengevaluasi performa, memberikan insight yang sangat berguna untuk rekrutmen, manajemen tim, dan penyesuaian taktik di lapangan.
Berbagai studi telah menunjukkan potensi ML dalam sepak bola. Mulai dari memprediksi performa fisik pemain berdasarkan data antropometri, memeringkat pemain dari log pertandingan, hingga memperkirakan keberhasilan transfer. Namun, studi-studi ini seringkali memiliki keterbatasan, seperti fokus pada liga tertentu atau mengabaikan metrik penting seperti psikologi pemain atau evaluasi pelatih yang lebih mendalam. Ini menunjukkan adanya kebutuhan akan pendekatan yang lebih komprehensif dan objektif.
Baca juga: Jurus PSG dan Klub Raksasa Eropa Siasati Aturan FFP
Dalam riset terbaru kami, fokusnya adalah penilaian performa pemain. Kami menggunakan algoritma Random Forest untuk menentukan bobot atribut performa pemain, memberikan cara berbasis data yang jauh lebih objektif dibanding penilaian subjektif. Kemudian, metode TOPSIS diaplikasikan untuk memeringkat pemain berdasarkan kriteria yang sudah diberi bobot tersebut. Kombinasi inovatif ini memungkinkan klub mengelola kompleksitas evaluasi pemain dengan sangat efektif, memastikan setiap keputusan rekrutmen dan evaluasi performa selaras dengan tujuan strategis tim.
Sebuah penelitian terbaru yang dipresentasikan dalam International Conference on Decision Aid and Artificial Intelligence (ICODAI 2024) menawarkan solusi revolusioner. Studi ini mengusulkan pendekatan terintegrasi yang memanfaatkan algoritma machine learning Random Forest (RF) untuk pembobotan kriteria pemain dan metode pengambilan keputusan multi-kriteria TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) untuk pemeringkatan pemain.
Metode tradisional seringkali terperangkap dalam penilaian subjektif dan kriteria terbatas, yang gagal menangkap kompleksitas performa pemain secara utuh. Untuk mengatasi ini, algoritma Random Forest dipilih karena kemampuannya menangani data kompleks dan menentukan bobot relatif dari berbagai kriteria performa.
Uniknya, penelitian ini memasukkan gaji pemain sebagai variabel dependen, yang secara implisit mencerminkan nilai pasar dan investasi klub terhadap seorang pemain.
Setelah bobot kriteria ditentukan oleh Random Forest, metode TOPSIS kemudian diaplikasikan. TOPSIS dikenal efisien dalam mengelola matriks keputusan multidimensional dan mengevaluasi alternatif berdasarkan kedekatannya dengan solusi ideal. Kombinasi kedua metode ini menghasilkan evaluasi pemain yang lebih objektif dan transparan.
Studi Kasus Penjaga Gawang PSG
Penelitian ini telah diuji pada pemain di empat posisi berbeda: bek, gelandang, penyerang, dan penjaga gawang. Namun, untuk demonstrasi yang lebih jelas, fokus utama diberikan pada posisi penjaga gawang karena jumlah kriterianya yang lebih ringkas (sembilan kriteria dibandingkan dua puluh dua hingga dua puluh delapan untuk posisi lain). Data yang digunakan berasal dari tiga puluh tiga pemain Paris Saint-Germain (PSG) musim 2021-2022, termasuk data performa dan gaji pemain.
Contoh perhitungan untuk kiper PSG, Gianluigi Donnarumma (P1), Keylor Navas (P2), Sergio Rico (P3), dan Alexandre Letellier (P4) menunjukkan bagaimana sistem ini bekerja. Setelah melalui proses normalisasi dan pembobotan oleh Random Forest, TOPSIS menghitung skor performa untuk masing-masing kiper, menghasilkan peringkat yang objektif.
Untuk mengukur keefektifan model, peneliti menggunakan Indeks Jaccard yang membandingkan daftar pemain yang direkomendasikan model dengan daftar pemain yang benar-benar dipilih oleh pelatih dalam pertandingan nyata. Hasilnya sangat menjanjikan, terutama pada pertandingan PSG melawan Reims pada 29 Agustus 2022, model ini menunjukkan tingkat kemiripan hingga 0.94. Ini berarti daftar pemain yang diprediksi sangat mirip dengan daftar pemain yang diturunkan oleh pelatih, hanya berbeda satu pemain.
Penelitian ini menegaskan bahwa pendekatan data-driven, meskipun memasukkan elemen subjektif melalui data gaji, mampu memberikan dukungan berharga bagi staf kepelatihan. Di tengah tekanan pasar dan konflik internal tim, sistem ini menawarkan kerangka kerja yang transparan dan objektif untuk evaluasi pemain, membantu klub mengoptimalkan investasi dan komposisi tim.
Integrasi teknik machine learning dengan keahlian kepelatihan tradisional menjadi kunci untuk meningkatkan akurasi dan efektivitas seleksi pemain. Ke depannya, penelitian akan terus mengeksplorasi metode pembobotan lain dan mengintegrasikan penilaian kualitatif untuk membuat sistem ini semakin sempurna. Dengan demikian, keputusan strategis dalam sepak bola tidak lagi hanya mengandalkan intuisi, tetapi didukung oleh analisis data yang canggih.
