<![CDATA[Penelitian ini mengatasi masalah kurangnya analisis interpretabilitas dalam prediksi olahraga. Kami membandingkan tiga algoritma machine learning (XGBoost, Random Forest, Logistic Regression) dan menerapkan SHAP untuk memahami fitur apa saja yang penting dalam memprediksi hasil pertandingan Liga Inggris (EPL). Kami melatih ketiga algoritma menggunakan 1.873 data pertandingan EPL dari 5 musim (2019/20–2023/24). Dataset diperkaya dengan 22 fitur khusus yang menggambarkan performa tim (9 tim tuan rumah, 9 tim tandang, 4 kontekstual). Data dibagi dengan proporsi 70% untuk training dan 30% untuk testing, dengan tetap mempertahankan distribusi kelas di kedua bagian. Performa diukur menggunakan akurasi, F1-score, dan ROC-AUC. Untuk model terbaik (XGBoost), kami menerapkan SHAP TreeExplainer untuk menganalisis kontribusi setiap fitur. XGBoost mencapai akurasi 54,45% (F1=0,4336, AUC=0,5365), lebih baik dibanding Random Forest (54,27%) dan Logistic Regression (51,42%, AUC=0,4759). Analisis SHAP menunjukkan bahwa penyelesaian passing tim tandang dan pertahanan tim tuan rumah adalah prediktor terkuat, dengan keuntungan bermain di kandang sendiri berkontribusi sekitar 48% dari dampak prediksi keseluruhan jauh lebih signifikan dari perkiraan awal. Kami juga menemukan pola nonlinear. Kombinasi penguasaan bola yang tinggi dengan akurasi tembakan yang baik menghasilkan peningkatan signifikan pada probabilitas kemenangan. Kegagalan Logistic Regression (AUC kurang dari 0,50) membuktikan bahwa model linear fundamental tidak cocok untuk masalah ini, dan justifikasi pentingnya alat interpretabilitas yang lebih canggih. Dengan menggabungkan XGBoost dan SHAP, kami berhasil menciptakan model yang sekaligus akurat dan dapat dijelaskan. Penelitian ini memberikan wawasan yang dapat langsung digunakan oleh ketiga kelompok stakeholder berbeda: operator betting, staf pelatih, dan para peneliti. Pendekatan kami dapat direplikasi untuk prediksi olahraga lain di berbagai liga dan cabang olahraga. ]]>
