Implementasi Algoritma Xgboost dengan Bayesian Optimization pada Sistem Rekomendasi Pemilihan Atlet Bola Voli Pantai Sulawesi Tenggara untuk Meningkatkan Efektivitas Keputusan

Abstract

Seleksi atlet bola voli pantai di Sulawesi Tenggara masih dilakukan secara konvensional dan bergantung pada penilaian subjektif pelatih, sehingga rentan menimbulkan inkonsistensi dan pengambilan keputusan yang kurang optimal di tengah meningkatnya jumlah calon atlet dan kompleksitas kriteria evaluasi. Kondisi ini berpotensi menghasilkan keputusan yang kurang tepat dan menghambat pengembangan atlet potensial. Penelitian ini mengimplementasikan algoritma Extreme Gradient Boosting (XGBoost) yang dioptimasi menggunakan Bayesian Optimization untuk membangun sistem rekomendasi pemilihan atlet yang objektif dan berbasis data. Dataset yang digunakan berjumlah 320 data atlet dengan 13 kriteria penilaian, dibagi menjadi 80% data pelatihan dan 20% data pengujian. Ketiga belas kriteria tersebut mencakup tinggi badan, kekuatan otot, kecepatan, kelincahan, teknik servis, smash, dan aspek psikologis. Evaluasi model dilakukan menggunakan metrik MAE, MSE, RMSE, R², dan MAPE. Hasil penelitian menunjukkan bahwa Bayesian Optimization mampu meningkatkan performa model secara signifikan, dengan nilai MAE menurun dari 1,2878 menjadi 0,9074, MSE dari 2,3796 menjadi 1,2547, RMSE dari 1,5426 menjadi 1,1201, serta R² meningkat dari 0,9412 menjadi 0,9852. Model akhir mencapai MAPE sebesar 2,61%, yang tergolong kategori sangat akurat berdasarkan kriteria Lewis (1982). Nilai MAPE di bawah 10% menunjukkan akurasi peramalan yang sangat tinggi. Sistem berhasil diimplementasikan sebagai aplikasi web berbasis Flask dan telah divalidasi secara kualitatif oleh pakar bola voli pantai. Hasil pengujian black box menunjukkan seluruh fitur sistem berjalan sesuai fungsi yang dirancang. Dengan demikian, sistem ini dapat diandalkan untuk mendukung seleksi atlet yang lebih transparan dan akurat.