The latest articles on DEV Community by Daggermaster (@daggermaster). https://dev.to/daggermaster https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.us-east-2.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F4013429%2F88db7777-0a9f-4aff-b214-42931dcf4a46.png https://dev.to/daggermaster en Daggermaster Sat, 11 Jul 2026 15:29:12 +0000 https://dev.to/daggermaster/memprediksi-peluang-klub-promosi-bertahan-di-liga-top-eropa-part-1-kickoff-rencana-256c https://dev.to/daggermaster/memprediksi-peluang-klub-promosi-bertahan-di-liga-top-eropa-part-1-kickoff-rencana-256c <h2> series: Prediksi Survival Klub Debutan </h2> <h2> Kenapa Project Ini? </h2> <p>Setiap musim, klub yang promosi ke liga top (Premier League, La Liga, dst.) menghadapi risiko besar: sekitar 2 dari 3 klub yang naik biasanya kembali terdegradasi di musim pertama mereka. Saya penasaran — <strong>bisakah performa di beberapa laga awal musim memberi sinyal dini soal peluang klub tersebut bertahan?</strong></p> <p>Ini jadi project portofolio pertama saya sebagai data scientist yang baru mulai (0-1 tahun pengalaman). Saya sengaja pilih topik yang saya suka (sepak bola) supaya prosesnya tetap enjoyable, bukan cuma "tutorial project" generik.</p> <h2> Rencana Project </h2> <p><strong>Pertanyaan utama:</strong> Berdasarkan performa 8 laga pertama musim debut, seberapa besar peluang klub promosi bertahan hingga musim berikutnya (tidak degradasi)?</p> <p><strong>Data yang dipakai:</strong></p> <ul> <li> <a href="https://www.football-data.co.uk/" rel="noopener noreferrer">football-data.co.uk</a> — data hasil pertandingan tiap musim sejak 1993/1994</li> <li>Wikipedia (halaman musim liga) — daftar klub promosi &amp; klasemen akhir musim</li> </ul> <p><strong>Tech stack:</strong></p> <ul> <li> <code>pandas</code>, <code>requests</code> untuk data collection</li> <li> <code>scikit-learn</code> untuk modeling (mulai dari Logistic Regression sebagai baseline)</li> <li> <code>imbalanced-learn</code> untuk handle class imbalance</li> <li> <code>Streamlit</code> + <code>Plotly</code> untuk dashboard interaktif</li> <li>Deploy ke Streamlit Community Cloud</li> </ul> <h2> Timeline (Build in Public) </h2> <p>Saya bikin timeline ini publik supaya ada tekanan yang sehat untuk benar-benar menyelesaikannya, bukan cuma jadi ide yang menguap:</p> <div class="table-wrapper-paragraph"><table> <thead> <tr> <th>Checkpoint</th> <th>Target Tanggal</th> <th>Yang Harus Selesai</th> </tr> </thead> <tbody> <tr> <td>Part 1 (post ini)</td> <td>11 Juli 2026</td> <td>Kickoff, rencana, environment siap</td> </tr> <tr> <td>Part 2</td> <td>15 Juli 2026</td> <td>Dataset jadi, push ke GitHub</td> </tr> <tr> <td>Part 3</td> <td>17 Juli 2026</td> <td>EDA selesai, insight awal</td> </tr> <tr> <td>Part 4</td> <td>24 Juli 2026</td> <td>Model final dipilih + evaluasi</td> </tr> <tr> <td>Part 5</td> <td>31 Juli 2026</td> <td>Dashboard live di Streamlit Cloud</td> </tr> <tr> <td>Part 6 (final)</td> <td>8 Agustus 2026</td> <td>Project selesai, recap lengkap</td> </tr> </tbody> </table></div> <h2> Tantangan yang Sudah Saya Antisipasi </h2> <ol> <li> <strong>Data leakage</strong> — fitur harus dihitung dari laga awal musim saja, bukan seluruh musim, biar model beneran memprediksi bukan "menyontek" hasil akhir</li> <li> <strong>Dataset kecil</strong> — kemungkinan hanya ~60-100 sampel klub, jadi saya mulai dari model sederhana (Logistic Regression) dulu, bukan langsung deep learning</li> <li> <strong>Nama tim yang tidak konsisten</strong> antar sumber data (misal "Man United" vs "Manchester United") — perlu mapping manual</li> </ol> machinelearning datascience python