Itung itungan di lapangan: NBA dan Data Scientist
.
.
.
A thread πππ
.
.
.
A thread πππ
βMin aku tuh pengen berkarir di bidang lain sebenarnya, tapi keburu kecemplung di data sains:(β Siapa yang gini jugaa, ngakuu!
Ga usah khawatir guys. Salah satu benefit dari menekuni data science adalah bidang ini dibutuhin dimanapun. Malah, data scientist yang baik adalah data scientist yang punya domain knowledge, alias pengetahuan di bidang lain di luar pengolahan data.
Suka dunia kedokteran tapi takut darah? Lewat data science, kamu bisa ngembangin ilmu di dunia kedokteran tanpa harus jadi tenaga medis.
Suka olahraga tapi gampang capek? Lewat data science, kamu bisa ikut memperbesar peluang menang sebuah tim dengan strategi-strategi based on data. Dan masih banyak lagi, beneran--literally--semua bidang bisa.
Nah, kali ini mimin bakal bahas yang kedua. Tentang data science di dunia olahraga--tepatnya basket. Lebih spesifik lagi, NBA.
Siapa sih yang ga tau NBA? Itu loh liga basket Amerika yang disebut sebagai liga basket paling bergengsi di dunia. Coba liat logonya, pasti ga asing deh π
Sebelum masuk ke gimana data science bisa berperan di bidang salah satu jenis olahraga favorit di dunia ini, mimin mau menjawab pertanyaan βemang data kayak gimana yang dibutuhin buat data sains di NBA?βπ§
Yang pertama ada data puskesmas alias data rekam medis nya para pemain hehe. Isinya ga cuma tinggi badan, berat badan, tekanan darah, tapi bakal jauh lebih kompleks lagi dari itu. Bahkan sampai data kualitas tidur para pemain yang diukur pakai alat tertentu ketika ia tidur π΄
Kedua, ada juga data statistik yang bisa dihitung oleh manusia. Kayak berapa kali pemain melakukan 3-point-shoot, melakukan pelanggaran, berapa kali sebuah tim menang. Data-data semacam itu juga bakal diperluin di bidang data sains di NBA.
Dan ada juga data yang nggak bisa kita ketahui cuma lewat nonton pertandingan NBA di bangku penonton, alias perlu bantuan mesin. Sederhananya kayak kamera yang mendeteksi offside di sepakbola, atau mendeteksi tempat jatuh bola di tenis.
Teknologi deteksi kamera ini makin hari makin keren, gengs. Sekarang kamera bisa merekam detail pergerakan pemain, yang oleh mesin bisa dikonversi jadi data-data yang bisa diolah dan dijadiin strategi.
Pada dasarnya, banyak data yang bisa dimanfaatkan buat mendukung kemenangan tim di NBA.
Oke udah dapet datanya nih. Terus di apain min sama data scientist nya?
Kita bahas dari sisi pertandingan dulu ya. Semua tim pasti bertujuan untuk menang. Untuk menang itu, perlu disusun strategi yang baik. Entah dari susunan pemainnya, atau dari apa yang harus dilakukan ketika di lapangan.
Dalam penyusunan strategi inilah Data Scientist berperan besar buat bekerjasama dengan pelatih. Pembuatan strategi berdasarkan analisis data bisa memberikan peluang menang yang lebih tinggi.
Pertama, data bisa dipakai buat menilai pemain berdasarkan seberapa dia berkontribusi buat kemenangan timnya. Kasarnya, ngitung berapa banyak dia terlibat di pertandingan yang memberi hasil menang dalam 1 musim
Kalau mau lebih kompleksnya, data juga bisa dipakai untuk membuat sebuah metriks penilaian efisiensi pemain (Player Efficiency Rating). Metriks ini bisa dibuat sekomplit mungkin, disesuaikan dengan kebutuhan tim.
Selain pencapaian pemain kayak berapa banyak 3-points-shoot, assist, rebound dan lain-lainnya, metriks ini juga mencakup kekurangan pemain. Kayak tembakan yang meleset, pelanggaran. Lewat metriks ini, pelatih bisa lebih mudah memilih pemain.
Yang ketiga, data bisa berkontribusi untuk bantu pelatih menentukan role tiap pemain. Secara resmi, ada 5 role dalam 1 tim sebenernya. Tapi dalam dunia riilnya, satu pemain bisa aja melakukan lebih dari 1 role dengan baik.
Data sains berperan untuk membuat sebuah analisis performa pemain ketika memegang role tertentu. Nah dari situ pelatih bisa menentukan kombinasi terbaik pemain ketika bertanding.
Selain dari penyusunan strategi pertandingan, data juga bisa dipake di luar lapangan. Dari segi bisnis gaji pemain, misalnya. Bisa tuh dianalisis, salary pemain ini sebenernya udah sesuai dengan performancenya belum sih?
Terus, bisa juga dipake ketika tim mau nyari pemain baru. Dengan menganalisis kemampuan orang lain main basket, tim bisa merekrut pemain pemain potensial. Ini juga hal penting untuk memastikan kemenangan tim nantinya
Sampai sini, siapa yang tertarik buat jadi data scientist di NBA?
Ada tips nih buat yg mau jadi data scientist di bidang olahraga, termasuk basket. Simak ya!
Pertama, pelajari skill & tools terkait. Selain bahasa pemrograman, kamu juga mesti belajar visualisasi data. Karena interpretasi data bakal lebih gampang dicerna orang awam lewat visualisasi yang baik.
Cek thread mimin tentang guideline data visualization di sini
https://twitter.com/pacmannai/status/1363357000235577347atau kalau mau belajar langsung, kurikulum non degree program Business Intelligence dan Data Scientist udah termasuk data visualization loh!π
Kedua, jalin komunikasi dengan professional team. FYI, NBA punya kompetisi untuk data scientist yang tertarik di bidang ini, yaitu NBA Hackathon. Ini bisa jadi salah satu jalan buat kamu showoff kemampuan kamu dan menarik tim profesional
Ketiga, bikin project. Mimin gak bakalan bosen ngingetin betapa pentingnya praktekin materi yang kamu dapetin melalui project. Project yang ada di portofolio kamu bisa memudahkan tim buat βmenemukanβ dan nilai kemampuan kamu
Keempat, kerjasama dengan tim kampus. Selain lewat project, kamu yang masih mahasiswa juga bisa coba jadi data scientist-nya UKM olahraga kampus. Meski skalanya nggak sebesar tim profesional, kamu bisa punya lebih banyak pengalaman yang relevan
Gimana, tertarik nggak buat jadi NBA Data Scientist? Atau pengen jadi data scientist di industri lain?π
Apapun bidangnya guys, seorang data scientist tetap harus nguasaiin dasar-dasarnya dulu. Nah, kabar gembiranya, Pacmann.AI bisa bantu kamu nih buat jadi seorang Data Scientistπ€©
Pacmann bakal bantu kamu dari 0, dari dasar sampai buat project di akhir pembelajaran. Langsung aja cek kurikulum kami di bit.ly/brosurpacmannai dan tunggu pembukaan pendaftaran batch 3 yaa, see you!
β’ β’ β’
Missing some Tweet in this thread? You can try to
force a refresh
γ
