Penerapan Metode Long Short-Term Memory Recurrent Neural Network Dalam Sistem Rekomendasi Tim Fantasy Premier League

Long Short-Term Memory Recurrent Neural Network Method Implementation On Fantasy Premier League Recommendation System

Sepakbola adalah olahraga terpopuler di dunia, sehingga terpengaruh perkembangan era modern. Hal ini membuat analisis performa dalam membangun tim sepakbola menjadi penting. Salah satu penerapannya adalah dalam Fantasy Premier League di mana dibutuhkan sistem yang mampu memprediksi poin dan memberikan rekomendasi untuk menentukan tim yang optimal. Sistem terdiri dari server side yang berisi model LSTM untuk menghitung prediksi poin dan memilih rekomendasi susunan pemain yang optimal dan sesuai aturan Fantasy Premier League, dan client side berupa aplikasi mobile di mana pengguna dapat memilih tim favorit dan untuk menampilkan hasil rekomendasi susunan tim. Untuk membangun model LSTM dilakukan pengumpulan dan preprocessing data terlebih dahulu, lalu dilakukan training dengan berbagai konfigurasi. Model yang terpilih adalah model dengan 256 neuron dan 3000 epoch yang menghasilkan mean squared error sebesar 0,642. Setelah terbentuk, model akan diletakkan dalam server side dan disambungkan ke aplikasi. Hasil rekomendasi menghasilkan prediksi poin sebesar 1803,131 poin. Ketika diuji coba dalam permainan Fantasy Premier League poin yang dihasilkan sebesar 1527 poin, berselisih 276,131 poin dari prediksi.

Kata Kunci— LSTM, sepakbola, Fantasy Premier League, prediksi, rekomendasi tim.

Football, being the most widely followed sport globally, is impacted by advancements in the modern era. This necessitates the importance of analyzing football team performance during development. One practical application of such analysis is in the context of Fantasy Premier League, where a system capable of predicting points and offering recommendations to create an optimal team is required. This system comprises a server-side housing an LSTM model responsible for point prediction and optimal player lineup recommendations based on Fantasy Premier League rules. Additionally, there is a client-side mobile application that allows users to select their favorite team and view the suggested lineup. The process of building the LSTM model involves initial data collection and preprocessing, followed by training using various configurations. Ultimately, a model with 256 neurons and 3000 epochs is selected, achieving a mean squared error of 0.642. Once the model is created, it is deployed to the server side and connected to the application. The recommendation result yields a prediction of 1803.131 points. However, when tested in the Fantasy Premier League game, the actual points earned are 1527, differing by 276.131 points from the initial prediction.

Keywords— LSTM, football, Fantasy Premier League, prediction, team recommendation.