<![CDATA[Abstract. Linear regression is usually used to model the relationship between a dependent variable and one or more independent variables where the response is continuous and normally distributed. However, if the assumption of normality of the response is not met, and the estimation for the linear regression model is not accurate, then zero-one inflated beta (BEINF) regression is an alternative method to model the relationship between the response variable and predictors where the response is a mixture of beta distribution and bernouli distribution. The results of this research are that there are several factors that affect the response variable, namely the BMI variable (X1), Forty Yard Run (X2), Vertical Jump (X3), Wide Jump (X4) and for predicting the chances of soccer players it can be said that, in the model 0 < Y < 1 the chance that a soccer player will be chosen to play in the match is equal to =0.4514 times more than before assuming the value of the other predictor variables is fixed. In the Y = 1 model, the chance that a soccer player will be chosen to play in the match increases by f(y=1)= 0.2086 times compared to before assuming the value of the other predictor variables remains constant. In the Y = 0 model, the chance that a soccer player will not be chosen to play in the match increases by f(y=0)=0,7576 times compared to before, assuming the values of the other predictor variables remain constant. Abstrak. Regresi linier biasanya digunakan untuk memodelkan hubungan antara variabel dependen dengan satu atau lebih variabel independen yang dimana respon bersifat kontinu dan berdistribusi normal. Namun apabila asumsi normalitas respon tidak terpenuhi, dan estimasi untuk model regresi linier tidak akurat, maka regresi zero-one inflated beta (BEINF) adalah metode alternatif untuk memodelkan hubungan antara variabel respon dan prediktor dimana respon berdistribusi campuran antara distribusi beta dan distribusi bernouli. Hasil dari penelitan ini adalah terdapat beberapa faktor yang mempengaruhi variabel respon yaitu variabel BMI (X1), Lari Empat Puluh Yard (X2), Lompat Vertikal (X3), Lompat Lebar (X4) dan untuk prediksi peluang pemain sepak bola dapat dikatakan bahwa, pada model 0 < Y < 1 peluang pemain sepak bola akan dipilih untuk bermain di pertandingan adalah sebesar =0.4514 kali lipat dibanding sebelumnya dengan asumsi nilai variabel prediktor lain tetap. Pada model Y = 1 peluang pemain sepak bola akan dipilih untuk bermain di pertandingan meningkat sebesar f(y=1)= 0.2086 kali lipat dibanding sebelumnya dengan asumsi nilai variabel prediktor lain tetap. Pada model Y = 0 peluang pemain sepak bola tidak akan dipilih untuk bermain di pertandingan meningkat sebesar f(y=0)=0,7576 kali lipat dibanding sebelumnya dengan asumsi nilai variabel prediktor lain tetap.]]>
