Penentuan posisi pemain dalam permainan simulasi sepak bola digital E-Football seringkali dilakukan secara subjektif berdasarkan overall rating, yang belum tentu mencerminkan kecocokan atribut spesifik pemain di lapangan. Selain itu, penggunaan algoritma K-Nearest Neighbor (KNN) klasik dalam pengenalan pola posisi memiliki kelemahan berupa uniform voting, di mana tetangga terjauh memiliki hak suara yang sama rata dengan tetangga terdekat, sehingga rentan menghasilkan bias klasifikasi. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan posisi pemain lapangan Liga Inggris menggunakan algoritma Weighted K-Nearest Neighbor (WKNN) yang dioptimasi dengan Feature Selection berbasis Information Gain. Seleksi fitur digunakan untuk mereduksi dimensi data dengan membuang atribut yang tidak relevan seperti usia dan kemampuan penjaga gawang, sehingga menyisakan 35 atribut utama. Selanjutnya, klasifikasi WKNN mengeksekusi data menggunakan pembobotan berbasis kebalikan jarak Euclidean (w_i=1/d_i) dengan parameter ketetanggaan optimal K=43. Hal ini dilakukan untuk memastikan tetangga terdekat memberikan kontribusi yang dominan dalam penentuan kelas target. Hasil pengujian terhadap 471 sampel data uji menunjukkan bahwa model mencapai tingkat akurasi keseluruhan sebesar 64,97%, dengan nilai rata-rata makro untuk Precision 56,37%, Recall 51,35%, dan F1-Score 50,96%. Berdasarkan analisis matriks kebingungan (confusion matrix), model menunjukkan performa yang sangat andal pada posisi Center Back (CB) dan Center Forward (CF). Meskipun masih terdapat tumpang tindih prediksi pada posisi dengan karakteristik atribut yang hampir identik seperti Left Back (LB) dan Right Back (RB), integrasi Feature Selection dan pembobotan proksimitas pada WKNN terbukti mampu menghasilkan keputusan klasifikasi yang jauh lebih objektif, rasional, dan stabil dibandingkan metode KNN konvensional.


Deskripsi Lain

Determining player positions in the E-Football digital simulation game is often done subjectively based on overall ratings, which do not necessarily reflect the suitability of a player's specific attributes on the field. Furthermore, the use of the classic K-Nearest Neighbor (KNN) algorithm in position pattern recognition suffers from a uniform voting flaw, where the farthest neighbors carry the same equal weight the closest ones, making it prone to classification bias. Therefore, this study aims to classify the positions of English League outfield players using the Weighted K-Nearest Neighbor (WKNN) algorithm optimized with Information Gain-based Feature Selection. Feature selection was employed to reduce data dimensionality by eliminating irrelevant attributes such age and goalkeeper skills, leaving 35 core attributes. Subsequently, the WKNN classification executed the data using an inverse Euclidean distance weighting (w_i=1/d_i) with an optimal neighborhood parameter of K=43. This approach ensures that the closest neighbors provide a dominant contribution in determining the target class. The testing results on 471 test data samples showed that the model achieved an overall accuracy of 64.97%, with macro average values for Precision at 56.37%, Recall at 51.35%, and F1-Score at 50.96%. Based on the confusion matrix analysis, the model demonstrated highly reliable performance for Center Back (CB) and Center Forward (CF) positions. Although misclassification overlaps remain for positions with nearly identical attribute characteristics, such Left Back (LB) and Right Back (RB), the integration of Feature Selection and proximity weighting in WKNN proved capable of producing much more objective, rational, and stable classification decisions compared to the conventional KNN method.

• OPTIMASI ALGORITMA WEIGHTED K-NEAREST NEIGHBOR MENGGUNAKAN FEATURE SELECTION UNTUK KLASIFIKASI POSISI PEMAIN FIFA EA SPORT BEDASARKAN ATRIBUT STATISTIK (STUDI KASUS: LIGA INGGRIS)