Antara Neraca dan Data
“Mereka adalah klub yang didoping secara finansial. Mereka memiliki sumber daya keuangan yang tak terbatas. Ini memberi tekanan pada pasar yang tidak sehat.”
Kalimat itu muncul dari mulut Arsene Wenger pada Agustus 2005, ditujukan kepada Chelsea yang saat itu baru saja menggelontorkan dana fantastis pada bursa transfer pemain. Bagi banyak orang, kritik tersebut bukan sekadar keluhan dari seorang manajer yang frustrasi, melainkan pengakuan telak atas sebuah kebenaran yang tidak nyaman: dalam industri sepak bola modern, kondisi finansial yang kuat adalah prasyarat sebuah tim untuk bisa bersaing.
Dan benar saja, dalam dua dekade setelah ucapan Wenger itu, sepak bola telah berubah wajah sepenuhnya. Ia bukan lagi sekadar olahraga, melainkan sebuah industri senilai ratusan hingga ribuan miliar euro. Tim-tim yang konsisten berada di puncak performanya merupakan tim besar dari liga-liga utama Eropa dengan kemampuan finansial kuat. Prize money dan uang dari hak siar menjadikan yang kaya semakin kaya, karena hanya mereka yang populer lah yang bisa meraih gelar juara dan diminati oleh media-media.
Namun, kekuatan finansial tidak sepenuhnya mengatasi masalah persaingan di atas lapangan hijau. Liga Champions, untungnya, menolak untuk menjadikan neraca keuangan sebagai tolak ukur utama. Selama bertahun-tahun, kompetisi paling bergengsi di dunia ini terus menghadirkan kejutan yang membingungkan para pengamat sepak bola: tim kaya yang tersandung di babak awal kompetisi, sedangkan tim kecil mampu melaju jauh melampaui anggaran mereka.
Lalu, apa yang sesungguhnya menentukan seberapa jauh sebuah tim dapat menjuarai ajang sepak bola paling bergengsi ini? Apakah benar finansial adalah segalanya, atau ada faktor lain yang diam-diam berpengaruh besar dalam menentukan hal ini? Tim Economica mencoba menjawabnya, bukan dengan opini, melainkan dengan data.
Uang, Trofi, dan Si Kuping Besar
Pada musim panas 2023, Chelsea Football Club menghabiskan lebih dari €270 juta di pasar transfer, salah satu belanja terbesar dalam sejarah sepak bola Eropa dalam satu window. Hasilnya? Tersingkir di fase grup Liga Champions. Di sisi lain, Villarreal CF yang hanya menghabiskan €5 juta untuk transfer justru pernah menembus semifinal pada 2022. Fenomena kontras ini memunculkan pertanyaan fundamental: jika uang bisa membeli trofi, mengapa tidak semua klub kaya menjadi juara?
UEFA Champions League atau yang akrab disebut “Si Kuping Besar” merujuk pada bentuk trofinya, bukan sekadar kompetisi sepak bola. Ia adalah panggung tempat ambisi, strategi, dan realita finansial bertemu. Dengan total prize money yang mencapai €2,73 miliar pada musim 2024/25 dan jutaan penonton di seluruh dunia, UCL telah menjelma menjadi ekosistem ekonomi tersendiri. Setiap musim, 32 klub terbaik Eropa bersaing bukan hanya untuk kejayaan sportif, tetapi juga untuk pengaruh komersial yang datang bersamanya: kontrak sponsor, hak siar, dan daya tarik di pasar transfer global.
Namun, di balik glamor tersebut, terdapat paradoks yang menarik. Dekade terakhir memperlihatkan dominasi klub-klub bermodal besar, seperti Real Madrid, Manchester City, Bayern München, yang mengangkat trofi secara bergantian. Akan tetapi, tidak setiap klub kaya berhasil. Paris Saint-Germain, meskipun didukung oleh kekuatan finansial sovereign wealth fund Qatar, hanya sekali mencapai final (2020) dan belum pernah menjadi juara. Sebaliknya, Porto yang merupakan klub dari liga “kelas menengah” pernah menjuarai kompetisi ini pada 2004 dengan anggaran yang jauh lebih kecil dari rival-rival besarnya.
Pertanyaan yang hendak dijawab dalam laporan ini ialah:
Variabel apa yang secara statistik signifikan memengaruhi seberapa jauh sebuah tim melangkah di UEFA Champions League? Apakah kekuatan finansial benar-benar menjadi penentu utama, ataukah ada faktor lain seperti rekam jejak historis, stabilitas pelatih, atau bahkan keberadaan pemain bintang yang turut menentukan nasib sebuah tim di panggung tertinggi sepak bola Eropa?
Antara Romantisme dan Realita
Sebelum masuk ke analisis, penting untuk memahami lanskap finansial sepak bola Eropa yang telah berubah drastis dalam dua dekade terakhir. Tiga momen kunci menjadi penanda transformasi ini.
Pertama, keputusan Bosman pada 1995 yang mengubah aturan transfer dan memungkinkan pemain pindah klub secara bebas setelah kontraknya habis, membuka pintu bagi mobilitas pemain yang belum pernah terjadi sebelumnya. Kedua, masuknya oligarki dan sovereign wealth fund ke dalam kepemilikan klub, dimulai dari akuisisi Chelsea oleh Roman Abramovich pada 2003, diikuti Abu Dhabi mengakuisisi Manchester City pada 2008, dan Qatar Sports Investments mengambil alih PSG pada 2011. Ketiga, diberlakukannya Financial Fair Play (FFP) oleh UEFA pada 2011, yang bertujuan membatasi pengeluaran berlebihan klub, meskipun efektivitasnya masih menjadi perdebatan.
Transformasi ini menciptakan kesenjangan finansial yang semakin lebar antara klub-klub elite dan sisanya. Menurut data Deloitte Football Money League, pendapatan 20 klub teratas Eropa terus meningkat setiap tahun, sementara klub-klub dari liga kecil semakin tertinggal. Pertanyaannya: apakah kesenjangan finansial ini tercermin dalam performa di UCL? Dan jika iya, variabel finansial mana yang paling menentukan apakah belanja transfer, nilai pasar skuad, atau sesuatu yang lain?
Más que un Dinero: Faktor-Faktor yang Tidak Terlihat di Neraca
Namun sepak bola, seperti yang sering dikatakan, bukan dimainkan di atas spreadsheet. Ada dimensi-dimensi yang tidak bisa direduksi menjadi angka di neraca keuangan. Chemistry antar pemain yang telah bermain bersama bertahun-tahun, identitas taktis yang dibangun seorang pelatih, pengalaman bertanding di panggung besar, hingga keberadaan individu-individu luar biasa yang mampu mengubah jalannya pertandingan dalam satu momen.
Diego Simeone telah menangani Atlético Madrid selama lebih dari satu dekade dan membawa klubnya ke dua final UCL, sebuah pencapaian yang luar biasa mengingat keterbatasan anggaran Atlético dibanding Real Madrid dan Barcelona. Di sisi lain, Thomas Tuchel membawa Chelsea juara UCL 2021 hanya empat bulan setelah ditunjuk sebagai pelatih. Apakah loyalitas pelatih benar-benar penting, atau justru “darah segar” bisa membawa dampak instan?
Untuk menjawab pertanyaan-pertanyaan ini secara empiris, bukan sekadar anekdotal, Tim Economica melakukan analisis statistik menggunakan model Ordered Logistic Regression terhadap 160 observasi (32 tim per musim × 5 musim) dari musim 2019/20 hingga 2023/24. Tujuh variabel diuji: belanja transfer bersih, koefisien UEFA, nilai pasar skuad, rata-rata lama pemain di klub, lama pelatih menjabat, pengalaman bermain di UCL, dan konsentrasi pemain bintang.
Metodologi: Mengukur Jalan Menuju Final
Sebelum masuk ke temuan, perlu dipahami bagaimana analisis ini dirancang. Variabel dependen yang digunakan ialah tahapan terakhir yang dicapai sebuah tim di UCL pada musim tersebut, dikodekan secara ordinal: Fase Grup (1), Round of 16 (2), Perempat Final (3), Semifinal (4), Runner-up (5), dan Juara (6). Pengkodean ordinal ini dipilih karena ada urutan alami, mencapai semifinal jelas “lebih baik” daripada tersingkir di fase grup, meskipun jarak antar kategori tidak harus sama.
Model yang digunakan ialah Ordered Logistic Regression (Ordered Logit), sebuah model regresi yang dirancang khusus untuk variabel dependen bersifat ordinal. Model ini memperkirakan probabilitas sebuah tim untuk mencapai tahapan tertentu atau lebih tinggi, berdasarkan kombinasi variabel independen yang diuji. Dari 160 observasi yang dikumpulkan, mencakup seluruh tim peserta fase grup UCL dari musim 2019/20 hingga 2023/24, tujuh variabel independen diuji. Ketujuh variabel tersebut dapat diklasifikasikan ke dalam tiga cluster: cluster finansial (Net Transfer Spend dan Squad Market Value), cluster historis-institusional (UEFA Coefficient dan UCL Experience), serta cluster kualitatif-skuad (Average Squad Tenure, Manager Tenure, dan Star Player Concentration).
Data dikumpulkan dari berbagai sumber, yakni Transfermarkt untuk data transfer, nilai pasar skuad, dan komposisi skuad; Kassiesa.net untuk koefisien UEFA historis; Capology dan laporan keuangan klub untuk data gaji; serta dataset open-source transfermarkt-datasets di GitHub untuk menghitung manager tenure dan pengalaman UCL secara terprogram.
Grafik 1. Distribusi variabel per tahapan UCL
Sebelum estimasi model, dilakukan uji multikolinearitas menggunakan Variance Inflation Factor (VIF). Seluruh tujuh variabel memiliki VIF di bawah 6, yang mengindikasikan tidak adanya masalah multikolinearitas berat. Variabel wage bill (total gaji pemain) sengaja tidak dimasukkan ke dalam model karena berkorelasi sangat tinggi dengan squad market value (r = 0,89), yang berpotensi menyebabkan efek supresi.
Grafik 2. Matriks korelasi antar variabel independen
Hasil estimasi Ordered Logit menghasilkan temuan sebagai berikut:
Grafik 3. Koefisien Ordered Logit dan signifikansinya
Temuan 1: Rekam Jejak Historis, Variabel Terkuat
UEFA Club Coefficient, yang merupakan akumulasi poin performa sebuah klub di kompetisi Eropa selama lima musim terakhir, terbukti menjadi variabel paling signifikan dalam model (koefisien = +0,046; odds ratio = 1,047; p = 0,0001). Angka ini berarti setiap kenaikan satu poin koefisien UEFA, odds sebuah tim untuk mencapai tahapan lebih tinggi di UCL meningkat sebesar 4,7%, dengan asumsi variabel lain konstan.
Temuan ini mengonfirmasi intuisi bahwa pengalaman dan rekam jejak di panggung Eropa bukan sekadar angka administratif. Ia mencerminkan akumulasi “modal institusional” yang dibangun selama bertahun-tahun: kebiasaan bermain di bawah tekanan, kemampuan mengelola jadwal padat liga domestik dan UCL secara bersamaan, serta reputasi yang memengaruhi psikologi lawan. Real Madrid, dengan koefisien tertinggi sepanjang periode analisis (136-144 poin), menjuarai UCL dua kali dalam rentang ini (2021/22 dan 2023/24). Bayern München, dengan koefisien konsisten di atas 130, selalu minimal mencapai perempat final.
Grafik 4. Perbandingan peluang klub dengan koefisien UEFA rendah vs tinggi
Grafik di atas menunjukkan pola yang sangat jelas: Sheriff Tiraspol dengan koefisien 20 hanya punya peluang 1% untuk mencapai perempat final, sementara Real Madrid dengan koefisien 130 memiliki peluang 69%. Perhatikan bagaimana area merah (tersingkir awal) menyusut drastis seiring naiknya koefisien, digantikan oleh area kuning (tahap lanjut) dan hijau (finalis).
Menariknya, variabel UCL Experience, yang mengukur berapa banyak pertandingan UCL yang dimainkan sebuah klub dalam tiga musim terakhir, justru menunjukkan koefisien negatif yang signifikan (koefisien = -0,069; p = 0,021). Hal ini bukan berarti pengalaman berdampak buruk, melainkan merupakan efek supresi statistik akibat korelasi yang sangat tinggi dengan UEFA Coefficient (r = 0,87). Interpretasi yang tepat ialah: setelah mengontrol kualitas performa historis (UEFA Coefficient), kuantitas pengalaman semata tidak lagi memberikan keunggulan tambahan. Dengan kata lain, bukan seberapa sering Anda bermain di UCL yang penting, tetapi seberapa baik Anda bermain saat berada di sana.
Temuan 2: Kekuatan Finansial Struktural, Bukan Belanja Musiman
Grafik 5. Perbandingan peluang klub dengan skuad murah vs mahal
Squad Market Value, yang merupakan estimasi total nilai pasar seluruh pemain dalam skuad berdasarkan data Transfermarkt, terbukti signifikan dan positif (koefisien = +0,002; odds ratio = 1,002; p = 0,0008). Meskipun odds ratio-nya terlihat kecil, perlu diingat bahwa satuan variabel ini ialah juta euro, sehingga perbedaan €500 juta dalam nilai skuad (misalnya antara Manchester City dan FC Copenhagen) menghasilkan peningkatan odds sebesar 215%.
Grafik 6. Apakah belanja transfer besar menjamin sukses di UCL?
Namun, temuan yang lebih menarik justru terletak pada apa yang tidak signifikan: Net Transfer Spend (koefisien = -0,001; p = 0,70). Belanja transfer bersih dalam satu musim, seberapa banyak pun jumlahnya, tidak memiliki hubungan statistik yang signifikan dengan keberhasilan di UCL. Chelsea menghabiskan €270 juta di musim 2022/23 namun gagal total di Eropa. Sebaliknya, Real Madrid yang hanya membelanjakan €30 juta bersih di musim 2023/24 justru menjadi juara.
Apa yang bisa kita simpulkan dari kontras ini? Kesuksesan di UCL tidak ditentukan oleh seberapa banyak uang yang dikeluarkan dalam satu transfer window, melainkan oleh akumulasi kualitas skuad yang dibangun secara bertahap selama bertahun-tahun. Squad Market Value menangkap kualitas struktural; sebuah skuad bernilai €1 miliar biasanya terdiri dari pemain-pemain kelas dunia yang telah terbukti performanya, sementara Net Transfer Spend hanya mengukur arus kas sesaat yang belum tentu menghasilkan kualitas.
Temuan 3: Superstar Lebih Menentukan dari Kedalaman Skuad
Temuan yang paling mengejutkan dalam analisis ini ialah signifikansi variabel Star Player Concentration (koefisien = +0,028; odds ratio = 1,029; p = 0,036). Variabel ini mengukur persentase nilai pasar skuad yang terkonsentrasi di tiga pemain termahal. Semakin tinggi konsentrasinya, artinya semakin bergantung sebuah tim pada segelintir bintang, semakin jauh tim tersebut melangkah di UCL.
Setiap kenaikan 1% konsentrasi bintang, odds untuk mencapai tahapan lebih tinggi meningkat 2,9%. Dalam konteks nyata, tim dengan konsentrasi 50% (setengah nilai skuad ada di tiga pemain) memiliki peluang yang signifikan lebih besar dibanding tim dengan konsentrasi 25% (nilai tersebar merata).
Temuan ini menantang narasi populer bahwa “tim merata lebih kuat daripada tim bergantung pada satu-dua bintang.” Di panggung UCL, di mana setiap pertandingan knockout bisa ditentukan oleh satu momen brilian, individu-individu luar biasa ternyata membuat perbedaan yang terukur secara statistik. Vinícius Júnior yang mencetak gol di final 2024, Thibaut Courtois yang melakukan penyelamatan krusial di final 2022, atau Robert Lewandowski yang mencetak 15 gol di kampanye treble Bayern 2020: momen-momen individual ini bukan sekadar anekdot, melainkan pola yang tertangkap oleh data.
Grafik 7. Tim dengan superstar vs tim merata: superstar lebih sukses
Temuan 4: Chemistry dan Loyalitas Pelatih, Mitos yang Diromantisasi?
Dua variabel yang sering dianggap “tidak terukur”, Average Squad Tenure (rata-rata lama pemain di klub) dan Manager Tenure (lama pelatih menjabat), keduanya tidak signifikan secara statistik (p = 0,30 untuk keduanya). Ini bukan berarti chemistry dan stabilitas pelatih tidak penting sama sekali dalam sepak bola, tetapi dalam konteks UCL, pengaruh keduanya tidak cukup kuat untuk dinyatakan berbeda dari nol secara statistik.
Grafik 8. Pelatih baru vs pelatih loyal: tidak ada perbedaan signifikan
Temuan ini diperkuat oleh fakta empiris dari lima musim yang dianalisis. Dari lima juara UCL dalam periode ini, tiga diantaranya memiliki tenure pelatih di bawah satu tahun saat menjuarai kompetisi: Hansi Flick di Bayern München (2020) yang baru ditunjuk sebagai pelatih utama beberapa bulan sebelumnya, Thomas Tuchel di Chelsea (2021) yang baru bergabung pada Januari 2021, dan Carlo Ancelotti di Real Madrid (2022) yang baru kembali ke klub pada musim tersebut.
Pola ini menunjukkan bahwa di level tertinggi sepak bola Eropa, pelatih berkualitas mampu memberikan dampak instan tanpa membutuhkan waktu bertahun-tahun untuk “membangun” tim. Kualitas individu pemain dan kekuatan institusional klub tampaknya lebih dominan daripada durasi kebersamaan. Meskipun demikian, perlu dicatat bahwa koefisien Average Squad Tenure tetap positif (0,31) dengan odds ratio 1,36, mengindikasikan arah hubungan yang logis, hanya saja efeknya belum cukup besar untuk dinyatakan signifikan dengan sampel 160 observasi.
Validasi Model
Model Ordered Logit yang digunakan telah melalui serangkaian uji validasi. Uji Brant untuk asumsi proportional odds menunjukkan bahwa lima dari tujuh variabel memenuhi asumsi (p > 0,05), sementara dua variabel (UEFA Coefficient dan UCL Experience) menunjukkan pelanggaran ringan. Hal ini mengindikasikan bahwa efek kedua variabel tersebut tidak sepenuhnya seragam di setiap threshold. UEFA Coefficient, misalnya, lebih berpengaruh dalam membedakan tim yang lolos fase grup dibanding dalam menentukan pemenang final. Meskipun demikian, pelanggaran ini tidak fatal bagi validitas model secara keseluruhan, terutama mengingat bahwa Generalized Ordered Logit menghasilkan pola koefisien yang relatif konsisten di setiap cut-point.
Seluruh VIF berada di bawah 6, menunjukkan tidak adanya multikolinearitas berat. Pseudo R² McFadden model ini menunjukkan bahwa variabel-variabel yang diuji mampu menjelaskan variasi dalam tahapan UCL secara bermakna, meskipun, sebagaimana lazimnya dalam fenomena sosial yang kompleks, masih ada faktor-faktor lain di luar model yang turut mempengaruhi, seperti undian bracket, cedera pemain kunci, atau bahkan sesederhana keberuntungan.
Harga yang Tak Bisa Dibeli Sekaligus
Kembali ke pertanyaan awal: seberapa mahal Piala UCL? Jawabannya tidak sesederhana angka yang dikeluarkan pada bursa transfer pemain dalam semusim
Variabel terkuat justru tidak terletak pada faktor finansial. Rekam jejak historis, yang diukur melalui UEFA Club Coefficient, mengalahkan semua variabel lain dalam kekuatan prediktifnya. Real Madrid dan Bayern Munchen tidak sekadar kaya, mereka mewarisi segala ‘resource’ yang terakumulasi dari bertahun-tahun berkompetisi di panggung tertinggi Eropa ini. Koefisien itu berupa poin yang diperoleh sebuah tim dari kemampuan mengelola tekanan pada saat momen-momen krusial dan reputasi yang mengintimidasi lawan sebelum peluit awal dibunyikan sehingga terciptalah sebuah kemenangan.
Analisis ini juga menentang romantisme yang sering kita pelihara. Chemistry skuad dan loyalitas pelatih, dua hal yang kerap dijadikan kambing hitam ketika tim gagal, ternyata tidak signifikan secara statistik. Tiga dari lima juara dalam periode analisis justru dilatih oleh pelatih yang baru menjabat kurang dari setahun. Di panggung sebesar UCL, kualitas individu dan tata kelola yang baik berbicara lebih keras daripada durasi kebersamaan kesebelasan tim. Ini bukan berarti chemistry tidak penting dalam sepak bola secara umum, tetapi dalam konteks kompetisi prestise ini, ia bukan pembeda.
Yang mengejutkan, keberadaan superstar dalam sebuah tim ternyata lebih menentukan dibanding kedalaman skuadnya. Semakin terkonsentrasi nilai skuad pada segelintir bintang, semakin jauh sebuah tim melangkah. Momen kombinasi Vinicius dan Karim Benzema dengan Ramadhan Buff-nya pada UCL 2022, atau Thibaut Courtois yang menggagalkan peluang demi peluang di final UCL 2022 bukan sekadar kisah individual, melainkan sebuah pola yang berulang dan tertangkap oleh data.
Pada akhirnya, semua temuan ini hanya berperan sebagai peta, bukan wilayah itu sendiri. Sepakbola ditentukan dari apa yang terjadi di lapangan hijau. Data yang memperhitungkan, tetapi bola dan jaringlah yang menentukan siapa yang berhak mengangkat “Si Kuping Besar”. Variabel-variabel yang kami uji dapat menjelaskan sebagian besar cerita, tetapi tidak akan pernah bisa mengungkapkan tinggi rumput yang memperlambat bola, kekuatan tendangan yang dapat membobol gawang lawan, atau keberanian yang muncul dalam sepersekian detik sebelum peluit terakhir ditiup.
DAFTAR REFERENSI
Data Primer & Dataset
Cariboo, D. (n.d.). transfermarkt-datasets: A consistently maintained Transfermarkt dataset available on the cloud [Dataset]. GitHub. https://github.com/dcaribou/transfermarkt-datasets
Cariboo, D. (n.d.). Player scores [Dataset]. Kaggle. https://www.kaggle.com/datasets/davidcariboo/player-scores
Kassiesa, B. (n.d.). UEFA club coefficient rankings: Historical archive 2019–2024 [Database]. Kassiesa.net. https://kassiesa.net/uefa/data/method5/
Transfermarkt GmbH & Co. KG. (n.d.). Transfers, squad market values, and manager history [Database]. Transfermarkt. https://www.transfermarkt.com
Capology. (n.d.). Football salary and payroll database [Database]. https://www.capology.com
Laporan & Publikasi Institusional
Deloitte. (2024). Deloitte Football Money League 2024: Pressure points. Deloitte Sports Business Group. https://www.deloitte.com/uk/en/services/financial-advisory/analysis/deloitte-football-money-league.html
Deloitte. (2023). Deloitte Football Money League 2023: New money, new power. Deloitte Sports Business Group. https://www.deloitte.com/uk/en/services/financial-advisory/analysis/deloitte-football-money-league.html
Deloitte. (2022). Deloitte Football Money League 2022: All to play for. Deloitte Sports Business Group. https://www.deloitte.com/uk/en/services/financial-advisory/analysis/deloitte-football-money-league.html
UEFA. (2024). UEFA Champions League: Club distribution 2024/25 season. Union des Associations Européennes de Football. https://www.uefa.com/insideuefa/stakeholders/clubs/
UEFA. (2022). UEFA club licensing and financial sustainability regulations (Edition 2022). Union des Associations Européennes de Football. https://www.uefa.com/insideuefa/football-development/club-licensing/
UEFA. (2018). UEFA Club Licensing and Financial Fair Play Regulations (Edition 2018). Union des Associations Européennes de Football. https://www.uefa.com/insideuefa/football-development/club-licensing/
UEFA. (2010). UEFA Club Licensing and Financial Fair Play Regulations (Edition 2010). Union des Associations Européennes de Football.
Regulasi & Dokumen Hukum
Union royale belge des sociétés de football association ASBL v Jean-Marc Bosman, C-415/93, 1995 E.C.R. I-4921 (Court of Justice of the European Communities 1995). https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A61993CJ0415
Sumber Media & Kutipan
Burt, J. (2005, August 30). Wenger attacks Chelsea over spending. The Daily Telegraph. https://www.telegraph.co.uk
Gibson, O. (2005, August 31). Wenger accuses Chelsea of doping the market. The Guardian. https://www.theguardian.com/football/2005/aug/31/newsstory.sport8
Metodologi Statistik
Brant, R. (1990). Assessing proportionality in the proportional odds model for ordinal logistic regression. Biometrics, 46(4), 1171–1178. https://doi.org/10.2307/2532457
McCullagh, P. (1980). Regression models for ordinal data. Journal of the Royal Statistical Society: Series B (Methodological), 42(2), 109–142. https://doi.org/10.1111/j.2517-6161.1980.tb01109.x
Peterson, B., & Harrell, F. E., Jr. (1990). Partial proportional odds models for ordinal response variables. Journal of the Royal Statistical Society: Series C (Applied Statistics), 39(2), 205–217. https://doi.org/10.2307/2347760
Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference, 57–61. https://doi.org/10.25080/Majora-92bf1922-011
Referensi Tambahan (Konteks Artikel)
Dobson, S., & Goddard, J. (2011). The economics of football (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9780511973864
Franck, E. (2014). Financial fair play in European club football: What is it all about? International Journal of Sport Finance, 9(3), 193–217.
Plumley, D., Ramchandani, G., & Wilson, R. (2017). The unintended consequences of Financial Fair Play: An investigation of the impact on competitive balance across five European football leagues. Sport, Business and Management: An International Journal, 7(1), 88–104. https://doi.org/10.1108/SBM-03-2016-0010
Rohde, M., & Breuer, C. (2016). Europe’s elite football: Financial growth, sporting success, transfer investment, and private majority investors. International Journal of Financial Studies, 4(2), 12. https://doi.org/10.3390/ijfs4020012
Szymanski, S. (2003). The economic design of sporting contests. Journal of Economic Literature, 41(4), 1137–1187. https://doi.org/10.1257/jel.41.4.1137
Perangkat Lunak & Library
Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., Kern, R., Picus, M., Hoyer, S., van Kerkwijk, M. H., Brett, M., Haldane, A., del Río, J. F., Wiebe, M., Peterson, P., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. https://doi.org/10.1038/s41586-020-2649-2
Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference, 56–61. https://doi.org/10.25080/Majora-92bf1922-00a
Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … van Mulbregt, P. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17, 261–272. https://doi.org/10.1038/s41592-019-0686-2
Waskom, M. L. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
