| dc.description.abstract | Industri olahraga sudah tumbuh sehingga melibatkan dan manguntungkan banyak pihak, hal ini membuat aspek di dalamnya dipikirkan secara ilmiah dan metodologis. Prediksi performa tim dapat menjadi sebuah alat tolak ukur yang digunakan pada hampir semua pegiat lapisan industri olahraga. Prediksi performa tim tersebut dapat dilakukan dengan memanfaatkan machine learning (ML). Penerapan telah dipraktikan di dunia olahraga seperti prediksi keberlangsungan karir seorang atlet, merancang program latihan dan menilai seorang atlet. Dalam olahraga handball penerapan ini dijumpai yaitu pada prediksi performa setiap pemain dalam hal counter movement jump with hands free, hands on hips, 10 meter sprint, 20 meter sprint, 20 meter shuttle run test, dan handball agility specific test menggunakan beberapa arsitektur ML. Penelitian tersebut memiliki kesimpulan bahwa RBFNN (radial basis function neural network) memiliki performa prediksi terbaik dibandingkan lima metode lainnya. RBFNN belum digunakan untuk memprediksi banyak gol pemain padahal pada pertandingan handball suatu kemenangan ditentukan oleh tim dengan jumlah gol terbanyak. Liga Handball Jerman merupakan liga yang relevan untuk dipilih sebagai objek penelitian, karena liga ini mendapatkan nilai koefisien liga tertinggi berdasarkan European Handball Federation. Model RBFNN di latih terhadap data latih tiap posisi berdasarkan pertandingan Liga Handball Jerman dengan parameter akurasi tembakan dan jumlah tembakan untuk tiap jenisnya. Terdapat 12 model prediksi gol yang dibangun berdasarkan setiap posisi dengan fitur-fitur akurasi tembakan dan banyak percobaan tembakan dibeberapa jarak tembak. Setelah dilakukan analisis sensitivitas terhadap 12 model tersebut telah ditentukan akurasi atau jumlah percobaan tembakan jenis apa yang paling berpengaruh terhadap prediksi banyak gol. | en_US |
