Analisis Multi-Layer Perceptron dengan Hyperparameter Tuning pada Klasifikasi Posisi Pemain National Basketball Association (NBA)

Abstract

Penelitian ini bertujuan untuk menentukan arsitektur Multi-Layer Perceptron (MLP) yang paling optimal untuk klasifikasi posisi pemain National Basketball Association (NBA), mengingat pemilihan model yang tidak tepat dapat menurunkan akurasi analisis secara signifikan. Menggunakan dataset publik "NBA Player Stats 2023-24", studi ini membandingkan tiga konfigurasi arsitektur (simple, deep dengan regularisasi, dan wider network) yang dilatih menggunakan optimizer Adam dengan pembagian data latih dan uji 80:20. Fitur statistik per-game seperti Point, Rebound, dan Assist digunakan sebagai variabel prediktif setelah melalui tahap preprocessing. Hasil eksperimen menunjukkan bahwa arsitektur Wider Network memberikan kinerja terbaik dengan akurasi 51,70%, secara signifikan mengungguli arsitektur Simple dan Deep Network yang hanya mencapai 45,58%. Analisis spesifik memperlihatkan bahwa meskipun model berhasil mengklasifikasikan Point Guard dengan baik, terdapat kesulitan konsisten dalam membedakan posisi Small Forward, Power Forward, dan Shooting Guard. Temuan ini memberikan kontribusi empiris bahwa peningkatan kapasitas neuron (width) lebih efektif daripada kedalaman jaringan (depth) dalam konteks ini, serta memvalidasi fenomena "positionless basketball" secara kuantitatif, yang mengindikasikan bahwa label posisi tradisional kini semakin bias dan memerlukan pendekatan data yang lebih kompleks di masa depan.