UMIUMI

TAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi AkuntansiTAMIKA: Jurnal Tugas Akhir Manajemen Informatika & Komputerisasi Akuntansi

FIFA World Cup 2026 merupakan edisi pertama yang melibatkan 48 tim dari enam konfederasi, diselenggarakan di Amerika Serikat, Kanada, dan Meksiko, dengan total nilai pasar skuad mencapai rekor €17,57 miliar (Transfermarkt, Juni 2026). Penelitian ini mengusulkan kerangka hibrid ML-MCsim yang terdiri dari tiga komponen novel: Dynamic Elo-Weighted Feature Engineering (DEWFE), Confederation-Aware Ensemble Model (CAEM), dan Format-Adaptive Monte Carlo Tournament Simulator (FAMCTS). Dataset mencakup 4.516 pertandingan internasional dari tahun 2018 hingga 2025, meliputi dua siklus Piala Dunia penuh (Rusia 2018 dan Qatar 2022), yang diperkaya dengan data nilai pasar seluruh 48 skuad peserta WC 2026. CAEM mencapai akurasi 83,7% (Brier Score = 0,168) pada validasi silang 10-fold, melampaui baseline XGBoost sebesar 6,9 poin persentase. Analisis SHAP mengidentifikasi Elo Rating Difference (21,3%) sebagai prediktor paling dominan, diikuti Squad Market Value Ratio (9,8%). Simulasi FAMCTS dengan 50.000 iterasi menghasilkan prediksi Brasil (20,1%), Prancis (16,4%), dan Argentina (15,3%) sebagai tiga kandidat terkuat pemenang turnamen.

Pertama, CAEM dengan dataset 2018–2025 dan integrasi market value WC 2026 dari Transfermarkt mencapai akurasi 83,7%—melampaui baseline 6,9 poin persentase (p<0,001).Kontribusi market value terisolasi sebesar 1,4 poin persentase mengkonfirmasi nilai tambah data finansial aktual.Elo Rating Difference (21,3%) adalah prediktor paling dominan, diikuti Temporal Win Rate H2H (14,7%), Form Index (12,9%), FIFA Ranking (11,4%), dan Squad Market Value Ratio (9,8%).Bahwa market value berada di posisi ke-5—bukan pertama—menunjukkan bahwa performa aktual lebih prediktif dari nilai finansial.Brasil (20,1%), Prancis (16,4%), Argentina (15,3%), Inggris (12,8%), dan Spanyol (11,2%) sebagai kandidat terkuat—dengan validasi TPA 72,1% pada data WC 2022.Total nilai pasar €17,57 miliar menunjukkan disparitas keuangan ekstrem antara konfederasi dalam format 48 tim pertama sepanjang sejarah.

Penelitian lanjutan dapat fokus pada pengembangan model prediksi yang lebih adaptif terhadap format 48 tim, dengan mempertimbangkan dinamika konfederasi yang berbeda. Selain itu, penelitian dapat mengkaji integrasi data real-time nilai pasar pemain secara lebih mendalam untuk meningkatkan akurasi prediksi. Terakhir, analisis peran faktor non-finansial seperti kohesi tim dan strategi taktis dapat dikembangkan sebagai alternatif untuk memperkaya model prediksi sepak bola.

  1. The Application of Machine Learning Techniques for Predicting Match Results in Team Sport: A Review |... jair.org/index.php/jair/article/view/13509The Application of Machine Learning Techniques for Predicting Match Results in Team Sport A Review jair index php jair article view 13509
  2. A framework of interpretable match results prediction in football with FIFA ratings and team formation... journals.plos.org/plosone/article?id=10.1371/journal.pone.0284318A framework of interpretable match results prediction in football with FIFA ratings and team formation journals plos plosone article id 10 1371 journal pone 0284318
  3. Key performance indicators of offensive transitions in elite women’s football: a machine learning... doi.org/10.5114/biolsport.2026.153309Key performance indicators of offensive transitions in elite womenAos football a machine learning doi 10 5114 biolsport 2026 153309
Read online
File size840.97 KB
Pages6
DMCAReport

Related /

ads-block-test