ANALISIS K-MEANS CLUSTERING DENGAN SEQUENTIAL FORWARD SELECTION DAN MULTIPLE VALIDATION METHODS PADA DATA PERFORMA PEMAIN NBA

(Oleh : Thaha Wafiq Adly; Pembimbing: Irwan Budiman., S.T., M.Kom. dan Muhammad Itqan Mazdadi., S.Kom., M.Kom.; 2025; 91 halaman)

Analisis performa pemain dalam liga profesional seperti NBA menuntut pendekatan objektif berbasis data untuk memahami kontribusi yang bervariasi antar individu. Penelitian sebelumnya dalam clustering pemain seringkali memiliki keterbatasan, seperti penentuan jumlah cluster (K) yang subjektif, ketiadaan seleksi fitur yang sistematis, dan kurangnya evaluasi stabilitas hasil. Penelitian ini mengusulkan kerangka kerja analisis clustering yang komprehensif menggunakan algoritma K-Means pada data statistik 213 pemain NBA musim 2023-2024. Pendekatan ini mengintegrasikan Sequential Forward Selection (SFS) untuk seleksi fitur, Elbow Method untuk menentukan jumlah cluster, serta validasi statistik menggunakan ANOVA, uji Tukey HSD, dan evaluasi stabilitas dengan Adjusted Rand Index (ARI). Hasil penelitian menetapkan K=5 sebagai jumlah cluster optimal dengan empat fitur terpilih (DRtg, ORtg, TO%, dan USG%). Uji ANOVA mengonfirmasi adanya perbedaan yang sangat signifikan secara statistik antar kelima cluster (p<0.05), dan hasil clustering terbukti sangat stabil dengan skor rata-rata ARI sebesar 0.9573. Penelitian ini berhasil menyajikan sebuah metode analisis performa pemain NBA yang lebih objektif dan konsisten, yang mampu mengungkap lima arketipe pemain yang berbeda secara bermakna.

Kata Kunci:Analisis Clustering, K-Means, Pemain NBA, Seleksi Fitur, Validasi Statistik