Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er   En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   5 ,  Octo ber   201 9 , pp.  4423 ~ 44 32   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 9 i 5 . pp 4423 - 44 32           4423       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Data v is ualiz ation and to ss relat ed  analysi s o f  IPL  te ams and   batsmen  perform ances       Vidit  Kanun go ,  Tul as i B   Depa rtment  o f  C om pute r  Scie n ce,  CHRIS T  (De e m ed  to  b e  Unive rsit y ) ,   Ind ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Feb  10 , 201 9   Re vised  A pr 16 , 2 01 9   Accepte d  Apr   25 , 201 9       Sports  play   a  ve r y   signif icant  rol e  in  th e  dev el op m ent   of  the   hum an  per son a .   Gett ing  invol v e d  in  games  li ke  Cric ket   and  oth er  var ious  sports  hel p  us  to   buil d  ch aract e r,   disci pli n e,  conf i denc e   and  ph y si ca l  fit n ess.   Indi an  Prem ier   Le agu e,   IPL  pr ovide s  the   m ost  succ essful  for m   of  cri cke t  a s  it   give s  opportuni ties  to   y oung  and  tale nte d  pl a y ers  to  show   ca se  the ir   ta l ent s  on   var ious   pit ch .   Dec ision - m ake rs   a re  the   utmos t  cu stom ers  for  al l  funda m ent als   in  the   sports  an aly tics  fra m ework.   Sports  ana l y t ic s  has  bee n  a  sm ash  hit   in   shaping  succ ess  for  m an y   play ers  and  te ams   in  var ious  sports.  Sports   ana l y t ic s  and  d a ta   visualiz at ion  ca n  pl a y   a  cru cial  rol e  in  sel e cti ng  the   best   play ers  for  a  team .   Thi s  paper  is  about   th e  To ss   Rel at ed  ana l y sis  and  th e   bre adt h   of  da t a  visua li z at ion   in  supporting   the   d ecision   m ake rs  for   ide nti f y i ng  inhe r ent   p lay ers   for th ei r tea m s.   Ke yw or d s :   Data  vis ualiz at ion   Spor ts  a naly ti cs   Play er   pe rfor m ance   “Spyde r” t oo l   “R ” too l   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Vidit Ka nung o,    Dep a rtm ent o f C om pu te r  Scie nce,   CHRIST  (Dee m ed  to  be Un i ver sit y),   77 / 38 Piu s  Vill a,1 st  Ma in , 11t h  Cr os s , Bha ra thi Lay out,  DRC p os t, S G Pal ya , Ind ia .   Em a il :  vid it work5@gm ai l.com       1.   INTROD U CTION     Spor ts  a naly ti cs   an d  Data  Visu al iz at ion   has  prov i ded  a  gr eat e r  plat form   fo r  Play er  sel ect ors ,  m anag ers  a nd  al so   the  play er s  to  increase  on  fiel d  pe rfo rm ance.   De ci sion  m aker s  an d   an al ysi s,  the  nex t   piece  of  t he fram ework, is the  proc e ss of a pp ly in g st at ist ic al  too ls   an d  al go rithm s   to  data to  g ai n  insi ght i nto  wh at  is  li kely   to  happe n  in  the  fu t ur e .   Spor ts  a naly tics  [1 ]   is  bei ng  app li ed  i n  va r iou s  s p or ts  li ke   So cce r ,  ba ske tball   and   c ricket.  Ea ch  m ov em ent  of   t he  ball ,  t he   play er   strike  r at e,  run  rate,  e ver yt hi ng   is  ca ptured   us in g   s pecial   ca m era  syst e m s  and  o the r  rec ordin g  m echani s m s.  This  data   is  run  thr ough   var i ou s  sta ti sti cal   al go rithm s ,  too ls   and  vi s ualiz at ion  te ch niques   to  pro vi de  de e per   i ns ig ht  a nd  pav e   way  for  rec omm end at ion s  t o  the   pla ye r  or  te a m .  W it h  t he   ease  of  obta in ing   a nd  sto rin g  data ,  ad va nc ed  an al yt ic s  and   m achine  le ar ning  te ch nique s  are  app li ed  t o  en gi neer   a  pre dicti ve  m od el   fo r   var i ou s  te am   sp ort s  li ke  cr ic ket.   The re  a re   three  ve rsions   of    cricket  –   Test   m a tc hes,   O ne - day  In te rn at i on al s  a nd  T w enty 20.  Test   Cric ket  is  one   of  the  highes t - le vel  form at s  wh ic h  is  play ed  b et tw een  tw o  co untr ie s  ov e r  the d urat ion  o f  five  da ys,  ODI  is  co ns ide red   a s   a  li m it ed  ov e r  form at s  of   cric ket  an d  T2 0   is   one  of  the  la te st  and  su ccess fu l  for m s  of   cricket.  The  T 20  f orm at   gav e   birth   to  I nd ia n  Pr em ie r  League  (I PL )  a  pr ofe ssion al   le ag ue  con te ste d  duri ng   A pri l  and   Ma y  of   ever y  ye ar  [2 ] .   It w as i niti at ed  by BC CI ( B oa r d of  C ontr ol for  C ricket in  I nd ia )  in  2008. T his s horter  ve rsion of c ricket  is o ne  of   t he  m os t  su ccessf ul  one  in  te rm s  of   fa n  eng a gem ent  and   busines s.  E ver y on e  e njo y s  this  shorte r  ver si on     of cricket.     The  m ai n  obj e ct ive  of   t his  le agu e  is  t o  pro vi de  a  plat f or m   for  yo ung  a nd   ta le nted  play er s.  IP L  w orks   on   the  fr a nch i se  syst e m   of   hiring  play ers .   Ther e  are  ei ght  te a m s  in  IP L.  Each  te am   is  a  gr oup  of   el even  play ers  co ns ist ing   of  batsm en,   bowler ,  an d   al l - rounde rs.   T his  tournam ent  is  being   play e d  in  dif fer e nt  ci t ie s,   because   of   this ,  there  is  a  huge   fan   f ollow i ng  with  a  lot  of   m edia  interest   and   business  i nvolv em ent.    IP L  is  a   m ixtur e  of   ta le nt  an d  opport unit y  so   basical ly   play er  pe rfo r m ance  is  the  ke y  factor  in  t his.  Va rio us   oth e r  key   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 2 3   -   4 4 3 2   4424   factors  are  the  ty pe  of   pitc he s   –   Flat   pitches,   pitches  that  fa vor  fast  bo wlin g,   s pin   bo wlin g  an d  swi ng   bowling   and   w hethe r  they   are  be ne fici al   fo r  bats m en,   non - stri ker   batsm en,   and   bowle rs  for  holdi ng   a   good  par t ner s hip.  Al l  these  nat ur al   par am et ers  an d  histo rical   data   of   play ers  wi ll   help  t he  te am   m anag em ent  i n  the   sel ect ion   proc ess.  Wh en  it   com es  to  IP L  or   any  ki nd   of   s ports,  Tea m   streng th,  S pecial   (K ey )  Play ers,    Ho m e  Crowd  play s  an  i m po rtant  ro le   in  th e  pr edict io n  of   a  m a tc h.   An a ly ti cs   is  on e  of   the  m os t  i m p or ta nt   factors  in  Cric ket  histor y  [ 3].   Ther e  will   al ways  be  so m e   so ught  of   un ce rta inty   at ta ched   t o  bowler  or   bat sm en   aver a ge  perfor m ance.  Last   over ’s  a nd  po w er  play s  a re  th e  tur ning  po i nt  of  the  m at ches.  Sele ct ing  th e  rig ht  play er  f or   thes e  cru ci al   over ’ s  is  no t  easy .  An al yt ic s   can  help  in  al l  thes e  tough   sit uati on s .  A naly ti cs  br i dg es  the  ga p  f or  te a m   sel ect or s,  coach e s,  a nd   m anag ers .  Anal yt ic s  giv es  us  them   a  cl ear er  idea  a bout  play e r   consi ste ncy,  fa st  scor i ng  an d  finis hing  a bili ty .  To  m anag e   the  ris k  in   a  bette r  way  an d  to  get   the  pro bab le   winners ,  analy ti cs  play   a  cruci al   ro le   in  the   fiel d  an d  ou t  of   t he  fiel d.   D at a  Visu al iz at ion   is  one  of  th e  m ajo r   ou tc om es  in  s ports  a naly ti cs  [ 4].  T he  visua l  form   of   dat a  is  m or e  easi ly   unde rstan da ble  ov e r  num ber s  a nd  te xt.  T his  pa pe r  e xp l or e s   th e  data  visu al i zat ion   te c hn i ques ,  Toss  rela te d  analy sis   li ke  plo tt ing  f or  the     data colle ct ed .       2.   RE LATE D  W ORK     Spor ts  analy sis   is  a  hu ge  cl ust er  of   s pecific  data  an d  sta ti st ic s.  Spor ts  ana ly ti cs  are  the  pr esent  a nd   fu t ur e  of  the  pr of essi onal   spo r ts  era.  O n - fiel d  an d  Off - fiel d  analy ti cs  hav e   gone  beyo nd  pro vid i ng  play e r  an d   te a m   analy sis  and  pre dicti ng  correct   re su l ts.   The   aut hors   in  [5 ]   discu ssed   a  fact or  analy sis  ap proac h  to   stu dy   the  pe rfo rm ance  of  c ricket  play ers  a nd  fi nd i ngs  of   his  stud y  say   t hat   batti ng  ca pabi li t y  do m inate s  over   bowlin g.   T he  s tud y  re veals  th at   the  pe rfor m ance o f  bowler s   is  one  of  the   c ru ci al   an d  si gnific ant  facto rs  wh ic h  m ay   change  th e  scena rio   of  m at ches.  Coac hes  a nd  sel ect ors  ca n  i nclu de  good  al l - rou nder  play ers  to   i m pr ove   te a m   resu lt s.  The  wor k  in  [6 ]   c om par ed   crickete r s  ba tt ing   an d  bow li ng   perform a nces  us in g  graph ic a l   m et ho ds.  Ba tsm an  an d  Bo wl er' s  record  of  s easo n  20 08  ha s  bee n  util iz ed  for  the   analy sis  an d  inte rpretat ion  of   the  grap hs . Twel ve  bowle rs  a nd   t welve b at s m en  wer e  sel e ct ed  w ho  bow l ed  at   le ast   100  balls  an d  to ok  at  le ast  four  wic kets  a nd  batsm en  fa ced  at   le ast   10 0  balls  ha d  at   le ast   four  com plete d  inn i ngs.  To  pr e dict  the  play er   perform ance in  ODI usi ng v a r iou s  Mac hin e   Learn i ng A l gorithm  techn ique s is do ne  in  [7 ] .    Naïve  Ba ye s,  Decisi on  tree,  m ul ti cl ass  SV M  and   Ra nd om   fo rest  are  use d  to  ge ne rate  the  pr e dicti on  m od el s  for  batsm en  scor e   a nd  bowlers   wic kets  f or  bo t h  t he  te am s.  Ra ndom   Forest  gi ves  t he  m os t  accurate   resu lt s  f or   bot h  the  scena rio s  ou t  of   al l  the  fo ur  te ch niques  us e d.   T he  auth or s  in  [ 8]  discusse d  va ri ou s  key  perform ance  ind ic at or s  t o  stu dy  the  play er  pe rfor m ance  in  IP L  f r om   d iffer ent  c ountries.  Cl us te r  analy sis  ha s   been   a pp li ed  on  the  dataset s  of   play ers  of   I PL  seaso n  2010.  The  st ud y  r eveals  that  play ers  of   E ng la nd  ha d  perform ed  well   as  a  gr oup  a nd   New   Zeel a nd   play ers  are   the  lowest  pe rfor m ers.   The  factor   a naly sis  us ed    in  [9 ]   with  va ri ou s  sta ti sti cal   t echn i qu e s  w hich  show s  that  batti ng   cap abil it y  do m inate s  ov e r  bowli ng.  Dataset     of   85  batsm en  and   85  bowle rs  has  bee n  co ns ide red   f r om   IP L  seas on   20 12.  Var i ous  dim ension s  of   bowli ng   and  batti ng   we re  us e d  –   th ree   dim ension s   gr oupe d  i nto   fac tor  t wo  ( bowli ng),  fi ve  dim e ns io ns   gro upe d  i nto   factor  one  ( batti ng ) .  Var ia nce   ex plained   by  factor  one  is   m uch   higher   than   fact or   t wo  w hich  cl ea rly   sho w s   that  batti ng  ca pab il it y  do m inate s  over  bowl ing .   T he  a utho rs  in   [ 10 ]   m easur e d  t he  perfor m ance  e val uation  of  fast  bowlers   a nd  s pinners   ba sed  on  var i ou s   facto rs  an d  ra nk e d  the  pe rfo rm ance  with  t he  help   of  A H P  an d  TOP S IS.  Dif fe ren t  crit eria’s  and   par am et ers  are  us e d  su c h  as  eco no m y  rate,  bowlin g  aver a ge  an d  bowlin g  strike  rate t o ra nk the  play ers.    The   stu dy  re ve al s  that  Indian   bowlers   pe rfo rm ed  well   and  the  to p  7  bow le rs  are  Indian s  in  al l  th e   three  seas ons  ( 2008,  20 09,  an d  2010 ).   T he  m achine  le arn i ng - based   a ppr oach   us e d  in  [ 11]   wh ic h  cl us te red   the   play ers  acco rdi ng   to  the  ro le s  and   in  orde r   to  rank  th e  pl ay er’ s  pe rfo rm ance,  a  no vel  ind e x,   nam ely   Dee p  Perfo rm ance  In de x  is  form ulate d.   Play ers  from   IP L  seaso n  2008  ta ke n  up   for  the   f or m ulati on   of   perf orm ance  rankin g.   201  pl ay ers  are  a naly zed  with  T2 0  an d  IPL  as  th ei r  career   data.   Play ers  got  cl us te re d  int o   di ff e rent   gro up s   de pe nding   upon  t heir  batti ng   a nd  bo wling  pe rfo rm ances.   The   a uth ors  i n  [12]  di scusse d  t he  I P L  te am s   and   play ers  t o  do   t he  e valu at ion   wit h  the   help  of   c orre la ti on ,  ass ociat ion   a nd  cl assifi cat ion   ru le s.  Naïv e   Ba ye sia n  cl assifi cat ion   is  us ed  to  predict   the  te am   resu lt s  by  co ns i der i ng   t he  in div i dual   pe rfor m ances  of   play ers.  Analy sis of  team  p erf orm ance at ho m e and  aw ay  grou nd  is also a naly zed.  By  suppo rt an d  c onfiden c e   of   t he  play ers ,  sel ect or s  get  th e  idea  to  filt er  ou t  play ers  f or  the  ne xt  se aso n.   T he  work   i n  [13]  disc us se d  the  pr e dicti on   t oo l   and  m achine  le arn i ng   al gorithm s  wh ic h  a re   us e d  to  a naly ze  the  past  perform ance  of   pl ay ers,  and   it   will   be  ben e fici al   fo r  te a m   autho riti es  to  sel ect   th e  righ t  play er.   HBase  an  op en  source ,  dist rib uted   pre dicti on   to ol  is  pr esente d  to  keep   the d at a  r el at ed  to  m at ches  and   play ers  of   I PL  seaso ns.  Past  per f orm a nces   of  play ers   have  been   vis ualiz ed  by  HBase  too l.  Stat ist ic al   analy sis  of   pla ye r’ s  pe rfor m ed  base d  on  dif fer e nt  char act e risti cs.  Pr edict ion   pe rfor m ed  o n  perform ances  of   the  te am   dep e ndin g  on   the  sta ti st ic s   of   the  ind ivi du al   play ers.   Th e  auth ors  in  [14]  analy zed  the  data  of   OD I  m at ches  of   I ndia n  cric ke t  te a m ’s  and   app ly  associat ion r ul es on  hom e g round o r  a way g a m e att ribu te s,  t os s,  b at ti ng  ord er a nd the  final  m a tc h  res ults.    Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  vi s ua li za t ion   and t os s  re lated  analysis  of I P L tea ms  and batsm en  p e rforma nces  ( Vi dit Ka nungo )   4425   The  a utho rs  i n  [ 15 ]   pro - pose d  a   m od el   that  works  on  tw o  m et ho ds  w hich   are   to  predict   the  sc or e   of   first   in nings   on  the   basis  of  current  r un  rat e,  num ber   of  wickets  fall en,  ve nu e   of   m at ch  a nd  batti ng  te am .   Seco nd   m et hod  pre dicts  the  ou tc om e  of   m a tc h   co ns ide rin g  sam e   at tribu te s  from   the  fir st  m et ho d  al on g  with   the  ta r get  giv e n  to   batti ng  te a m .  A  dataset   of  O DI  m at ches  f ro m   2002  t o  2014  us e d  i n  th ese  tw o  m et hods .   Naïve  Ba ye s  and   Li near   Re gressi on  Cl assif ie r  hav e  bee n  us e d  to  im ple m ent  the se  two  m et ho ds .  T he   auth or s   in  [16]  predict ed  the  perform ance  of  batsm en  of  IPL  sea - so n  4  based   on   the  perf or m ances  of   play er  in  first   three  seas ons.  Mult i - Lay er  pe rcep tr on  (ML P)   ne ural   netw ork  is  use d  t o  pr e dict  the  pa s t  per f orm ances.  This   pr e dicti on   ca n  help  the  m anag em ent  and   s el ect or s  to  dec ide  w hich  bats m en  they   shoul d  bid   for  a nd  who   sh oul d  not be c on si der e d  at  all . Th e aut hors  i n  [ 17 ]  predict e d  the r es ult of   a  m at ch  by co m par ing  the str eng t hs   of  two   te am s.  A  pe rfor m ance   of   in div id ual  play ers  from   e ac h  te am   is  m e asur e d  by  the m .   They  i m ple m ente d  al gorithm s  to  pr e dict  the  perform ances  of   batsm en  and   bowle rs  f r om   past  and  rece nt  career  data.  T he   w ork     in  [ 18 ]   is  done   for  a naly zi ng   the  pe rfor m anc es  of  bo wlers.  A  m easur e  cal le d  Com bin ed   Bow li ng  Ra te   wh ic h  i s  a  co m bin at ion   of   th ree  tra diti on al   bowli ng   par am et ers:  bowling   a ver a ge,   strike  rate  and   ec onom y  i s  us ed   for  the  expe rim ent.    The  aut hors  in   [1 9]  f or m ulate d  a  sta ti sti ca l   m od el   to  est i m at e  the  value   of   play er   by  consi der i ng  diff e re nt  sta ti sti cs  of  batsm en ,  bowle rs  a nd   al l - rou nd e rs.  They  t ried  t o  buil d  a   syst em at ic   log ic al   decisi on   m od el   to  sel ec t  bette r  play ers  fo r  a uctio n.   A   m ulti - ob j ect iv e  op ti m iz a ti on   evo luti ona ry  m et ho d  [ 20]   us ed  i n  this  pa pe r  to   optim iz e  batti ng  an d  bowlin g  s tren gth s   of  a   te a m   and  to   fin d  t he  te am   m e m ber s.  Per f orm ances  of   eac h  play er  are  al so   e valua te d  by  usi ng  N SGA - II   al go rithm .  The  auth ors  in  [21]  us e  s om e  string   sim il arit y  m et rics:   Le - ven sh te i nS im   (L EVS),  LeeSi m   (LEES ),   Jacc ard   Coe ff ic ie nt   (JA CC ),   Dice  Coeff ic ie nt  ( DI CE ) ,   Jaro - W i nkl er  Dista nce  (J W D)   to  com par e   and   dif fer e ntiat e  the  per f orm ances  of   un know n  perf or m ers  to  that   of   e xperts.  T he y  us ed  t he  co ncep ts  of   Lear ning  A naly ti cs,  Gam e  An al yt ic s,  Product ive   An al yt ic s  an d   Data   Visu al iz at ion  t o  a naly ze  the   S erio us  G am e  An al yt ic s  from   U ser   Ge ne rated D at a.   T he  w ork  i n  [22]  is d on e  o n  arti fici al   and   real - w orl d  dat aset   including   diff e ren t  Vis ualiz at ion   te chn i qu e s:  un ce rtai nty  visu al iz at ion,   ensem ble  data  visu al iz at ion  and   m ulti di m ension al /m ul ti var ia te   data  visu al iz at ion.  They  co nclu de d  tha t  diff e re nces in  ensem ble d ist ribu ti on a re  m os t   cru ci al  a nd im po rtant f act ors fo r  the  pr op e r  a naly sis of a  gam e.       3.   ABOU T  TOO LS A ND ME THOD OLOG Y   IP L,  one  of  th e  biggest  le ag ue s  in  T2 0  cric ke t  with  m il li on s  of   fans  al l  over  the  w orl d.   Aroun d  69 6  m at ches  hav e  ta ken   place  fro m   20 08 - 2018.  Ther e  is  a  huge   data  wh ic h  i nclu de  ball  by  ball  insigh ts  of   each   m at ch  of   each   inn in gs   with  m at ch  locat ion   and   al l  oth er  necessa ry  detai ls.  Sp yder ,  th e  fr ee  integrat ed  an d  Scie ntific   Pyt hon  De velo pm e nt  En vir on m en t  has  bee n  us e d  to  do   t he  dat a  exp l or at io n  a nd   plo tt in g  f un ct ion s  for visuali zat io n.     Sp yde r offers  var i ou s  popula r  sci entifi c  pac kag e s for   dee p i ns pecti on a nd   exp l or at io n of   data. P rope r   An al ysi s  an d  Visu al iz at ion  per f or m ed  in  Sp y der   wit h  num ero us   pack a ges  s uch  as  Nu m Py,  Pandas,  Ma tplotl ib  and  Seaborn.  Thes e  pack a ges  hel p  to  do   the  ba s ic   and   m od er n  visu al iz at ion.  I n  m y  wo rk,  Seabor n  is use d for T oss R el at ed  A na l ysi s A ppr oac h and M at plo tl ib  is u se d f or   pla ye r  vis ualiz at ion .       4.   DA T A COLL ECTION     Data  ha s  be en  colle ct ed  f ro m   w ww.iplt 20.c om ,w ww.crics heet.or g.   Data  consi sts  of  the   ball   by  ball   detai ls  for  a  to ta l  of   696  m at ches  f ro m   2008 - 2018.  Ba ll   by   ball  data  pro vid es  i n  de pth   detai l  of   al l  th e  balls   thr own  in  that  par ti cula r  ov e r .  The  ball  cou l d  be  ei ther  wi de,   dea d,   no   ba ll   or   a  play er  go t  sin gles,  do ub le s ,  triple s,  six  or   four   on  t hat  ba ll .  Ther e  a re  two  cs v  file s  of  dataset s.  Ma t ches .cs v  giv es   the  detai ls  of   m at ch   venue,   l ocati on,   Sea son,   c on te sti ng   te a m,   a bout  toss  winn er  an d  tos s  dec isi on ,  m at ch  re su lt ,  wi n  got  by   runs   or  wic kets,  pla ye r  of  t he  m atch ,  detai ls  of  a ll   the  thre e  ump ires  a nd  m at c h  W i nner   et c.  Deli ver ie s .c sv  is  the   ball  by  ball  da ta   and     the  co m bin at ion   of   a ll   the  deliveries  for  al l  the  m at ches  from   2008 - 18.  It  co ns ist s  of  diff e re nt  at tribu te s  Ma tc h_ id ,   bowling   te am ,   batti ng   te a m ,  batsm en,   bo wl er,  N onstrike r,   no   ball  r uns,  pe nalty   runs,   E xtra  runs,   ov e r,   total   runs  et c.  I nning s  te ll   if  the  first  te a m   was  goin g  on  fiel d  or   sec ond  one .     Ov e r desc ribes  the c urren t  ov er   nu m ber . Bal l descri bes  t he c urren t  ball  num ber  o f  t he  c urren t  over.   Table  1  decr i bes  the  total   of   te n  at t ri bu t es   wh ic h  we r e  us ed  for  th e  visu al iz at ion  of   batsm en   perform ances  and   to ss  relat ed  analy sis.  To ss  decisi on,  T os s  W i nn e r  an d  W in ne r  are  the  key  at tribu t es  use d  for  to ss rel at ed  an al ysi s for 6 96 m at ches f r om  2 00 8 - 2018.             Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 2 3   -   4 4 3 2   4426   Table  1.   Desc ription o f  t he  at trib utes used   ATT RIB UT ES   DESCRIP TI O N   Dis m iss al  Kin d   Bo wled   Cau g h t   Cau g h t and  Bo wle d   Hit wicket   LBW   Ob stru ctin g  the f ield   Retired  Hurt   Ru n  Out   Bo wler   The Pla y er  who  deliv ers the ball to  ba ts m en  keep in g  dif fer en t con d itio n s an d  scen arios   (in o rder of   f ield )  su ch  as W id e ball  Ru n s, No b all Ru n s, E x tra  Ru n s.   Total Ru n s (For an  ind iv id u al Play er)   The f in al Score of   th e Play e r  c alcu lat ed  at  th e end  of  ea ch  ov er.   Extra Ru n s   The Ru n s sco red b y  bats m en  oth er  th an  hittin g  the b all.  Thes e r u n s are  no t  credited  to  an y  of  the b ats m en .   Bats m en  Ru n s   Ru n s Sco red b y  B ats m en  on  eac h  bal l on  particu lar  d eli v ery .   No  Ball Ru n s   Bo wler   m u st  th row th e ball in   resp ect of  the ar m ;   Oth e rwise   U m p ire  will  d eclar e it  as  No  ball an d  r u n s w ill be p rocess ed  to  Battin g  tea m .   Match De cisio n   Match  W in n in g  Co n d itio n     W in  by  Ru n s     W in  by  W i ck ets   Tos s Decisio n   Decisio n   m ad e b y   Tea m  Cap tain  af te r  win n in g  the Tos s, either  to  bat f irst  o r  f ield .   Tos s  W in n er   The Tea m   wh o  won  the to ss .   W in n er   The Tea m   wh o  won  the  m atch .       4 . 1.     Pre - proc essing  ph as e   In   this phase  fi lt rati on   an d  cl e anin g  of  m at ch es  and  d el ive ries  dataset s  took  place.  T his phase  m ai nly   deals  with  sta nd a r dizat ion ,   t ran s f or m at ion   and   c orrecti on  of  data.  The re   was   no   m ajo r   pre - processi ng  done  for  the  d at a  col le ct ed  as m os t of m uch  w as  nor m al iz ed.       4 . 2.     D ata  visu aliz at i on   The  m os t  i m po rta nt  an d  si gnific ant  pa rt  of  data  vis ualiz at ion  an d  pr e dicti ve  a naly sis  is  to  re present   the  data  i n  for m   of   char ts  an d  gr a phs  to   get   a  vis ual  prese ntati on   of  data.  Th e  c ollec te d  data  is  visu al i zed  t o  get  a  bette r  an d  cl ear  unde rst and i ng  ab out  a ll   the  param et e rs  of   t he  Seas on,  t he  te am ,  All - rou nd e rs,  bat sm en   and  bowle rs  s o  that  it   will   be  helpful  f or  the  te am   sel ec tors,   Ca ptains  and  m anag ers  for  the  ne xt  a uction.   Diff e re nt p ack ages ar e use d  t o  get the prope r  analy sis and   visu al iz at ion   f or   play ers  an d  te a m s.  Nu m Py  is u sed   as  nu m erical   c om pu ti ng   f or   t he  giv e n  datas et s.  Pandas  us e d  as  the  data  proces sin g  an d  I /O  for  both  csv   file s.  Ma tplotl ib  us e d  as  the  basic  visu al iz at ion   f or   play ers.   Sea bor n  pac ka ge  us e d  as  the  m od er n  visu al iz at ion   for  Toss   relat ed  a naly sis  as  well   as  fo r  te am   a nd   play er  insig hts.  Dif fer e nt  new   fe at ur e s  are  introd uced   s uch   a s   the  num ber   of   total   m at ches  play ed  by  the  te a m   fo r  al l  the  el even   seas ons,  Ma xim u m   Ma n  of  the  M at ches,  Ma xim u m   Ce ntu ries  Score d  by   Ba ts m en,   M axim u m   Pla yer   of   t he  Ma tc h  Aw a rd s ,  Ma xi m u m   Cou nt  of   Toss   W i ns   by  Diff e ren t  Team s,  D eci sion   ta ken  by   each  te am   after  winni ng   t oss  et c.   Ta ble  2  and  Ta ble  3  li s ts  to p  play ers  ha ving   Ma xi m u m   ce nturie s  sco red  and   m axi m um  Ma n  of   the   m at ch  titl es  c onquere d.   C H   Gayl e,    AB de Vil li ers a nd S K  Ra ina   are  on the t op for b oth t he  ti tl es.       Table  2 .  Ma xi m u m   m an  of th e m a tc hes   Play e r   Co u n t   CH  Ga y le   20   AB d e Villie rs   18   YK Pathan   RG Sh ar m a   DA  W arne r   MS  Dh o n i   SK Rain a   SR W atso n   G Ga m b h i r   ME K  Hus sey   16   16   15   14   14   13   13   12     Table  3 .  Ma xi m u m  centu ries sco red by  bats m en   Play e r   Co u n t   CH Ga y le   SR W atso n   AB d e Villie rs   SK Rain a   RR  Pant   V Koh li   V  Seh wag   DA  W arne r   BB  M cCu llu m   M  Vija y   8   4   3   3   2   5   3   3   2   2         Analysis :  By   com par ing   Fi gure  1,   Ta ble  2  a nd   Ta ble  3  Ch r is  Gayl e,  on e  of  the  best  T2 0  batsm en  fr om   West  Indies  has  w on   Play er  of   the  Ma tc h  Aw a rd   for  20  tim es  w hich  is  the  best  reco r d  in  IP L  so   far.  Var i ous   oth er   All - Ro unde r  Play ers  -   Yu s uf  Pathan,   S hane   W at s on,  Jacq ues  kalli s,  Kie rron   P ollard ,  Aj i nk ya   Ra ha ne   hav e   Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  vi s ua li za t ion   and t os s  re lated  analysis  of I P L tea ms  and batsm en  p e rforma nces  ( Vi dit Ka nungo )   4427   al so   w on   Play er  of   th e  m a tch   showi ng  sov ereig nty  of   bat sm an  on   the  gam e.  On ly   Ami t   Mi sh ra  an d  Sunil   Nar i ne  (  S pinn er)  is  full  tim e b ow le r  in  t op 20 list .           Figure  1.  Ma xi m u m  p la ye r  of   the  m at ch  awards       Analysis :  By   Com par ing   Ta ble  2,   Table  3,   Figu re  1,   Fig ur e  2  a nd   Fi gure  3,  Cl ear  picture  of  al l  su ch  sta r   play er  (Bat sm en)   go t  vis ualiz ed  w ho   will   be  the  first  pr e f eren ce  f or  Tea m   sel ect or s  and   m anag e m ent  to  bid   on  them   and  ta ke  them   in  th ei r  co ur t.   Ta ble  4  sho ws  the   li st  of   play ers   (Bat sm en)   ha ving  best  stri ke   rat e   durin g  t he  s pa n from  2 008 - 2018 a nd Ta ble  5  s hows  the  To p 10 play ers  w i th Maxim u m  r un s .            F igure  2. To p  b at sm en  (2008 - 18)       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 2 3   -   4 4 3 2   4428       Figure  3. Ba tsm en   with  t op s trike r at e   ( 2008 - 18)       Table  4 .  Be st s trike r at e   Play e r  (Bats m en )   Sp an   An d re  Ru ss ell ( D D,  K KR)   Ris h ab h  Pant (DD)   Glen n  M ax well  (D D,  K XIP,  M I)   JC  Bu ttler  ( MI ,  R R)   AB d e Villie rs ( D D,  RC B)   CH Ga y le  (KX IP,   KKR, RCB )   2012 – 2 0 1 8   2016 - 2 0 1 8   2012 - 2 0 1 8   2016 - 2 0 1 8   2008 - 2 0 1 8   2009 - 2 0 1 8       Table  5 .  T op  10  play ers wit h m axi m u m  r un s   Play e r  (Bats m en )   Total Ru n s   SK Rain a                  V Koh li                   RG Sh ar m a                 G Ga m b h i r                  RV Uth ap p a               S Dhawan                   MS  Dh o n i                    CH Ga y le                   DA  W arne r                  AB d e Villie rs        5014   4962   4504   4223   4144   4090   4041   4037   4014   3974       Table  6  giv e  c le ar  idea  of  t oss  relat ed  anal ysi s   for  al l  te am s,  Mum bai  I nd ia ns   an d  Kolkat a  Kn i gh t   Ri der s a re  on the top li st  hav i ng m axi m u m  c ount  of toss  w i ns .        Table  6 .  C ount  of  t os s  w i ns     Tea m s   Co u n t   Ch en n ai Sup er  Kin g s   Gu jarat  Lion s   Ko lk ata Knig h t Rid ers   Rajas th an  Ro y als   Ro y al Ch allen g ers  Ban g alo re   Deccan Ch argers   Kin g s XI  Pu n jab   Mu m b ai  Ind ian s   Ris in g  Pun e Sup ergian t   Su n risers H y d erab ad   Delh i Dar ed ev ils   Ko ch i T u sk ers Ke r ala   Pu n e W ar riors   Ris in g  Pun e Sup ergian ts   77   15   87   69   77   43   75   90   06   42   80   08   20   07   Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  vi s ua li za t ion   and t os s  re lated  analysis  of I P L tea ms  and batsm en  p e rforma nces  ( Vi dit Ka nungo )   4429   Analysis :  By   Com par ing   Ta ble  6  an d  Fig ure  4,  M um bai  In i dan s   captai n  an d  Ko l kata  Kn i gh t  Ri der s   Ca ptain   hav e  a  good  hold  of   run  wit h  the  c oin .  In   T2 0  gam es,  toss  play s  a  cruc ia l  ro le   so m et i m es  dew   fact or  on  the  gro und,   or   the   m os it ur e  co ntent  in  first  10   hour s  ca n  ch ang e  t he  gam e .  Ca ptain  an d  oth e r  te a m   m e m ber   analy ze  the  sc or e   be fore  sta rting   of  the   m at c h.   Dif fer e nt  ty pes  of  pitche s  play   dif fer e nt  r oles  f or  ba tsm en  a nd   bowlers .  By   w inn in g  t he  toss   Ca ptain  ca n  a naly ze  that  on  this  pa rtic ular  pitch,  bat  fi rst  or   fiel d  first,  wh ic h  on e  can  g i ve  t hem  an  ad va nta ge.           Figure  4 .  Maxi m u m  co un t  of  t os s  wins  by  dif fer e nt team s       Table  7 dep ic ts  the  decisi on ta ken b y ea c h  te a m  after  wi nn i ng the t os s.  Ch enn ai   super  k i ngs  decide d  m axi m u m  tim e s to bat fi rst r at her tha n  fiel ding  because   of   ke y Pl ay ers  li ke M S  D honi a nd  Su r esh  Rai na who  analy zes the  pi tc hes very  well .       Table  7 .  Decisi on   ta ke n   by ea ch  te am  after win ning the   to ss   Tea m s   Bat   Field   Ch en n ai Sup er  Kin g s   Gu jarat  Lion s   Ko lk ata Knig h t Rid ers   Rajas th an  Ro y als   Ro y al Ch allen g ers  Ban g alo re   Deccan Ch argers   Kin g s XI  Pu n jab   Mu m b ai  Ind ian s   Ris in g  Pun e Sup ergian t   Su n risers H y d erab ad   Delh i Dar ed ev ils   Ko ch i T u sk ers Ke r ala   Pu n e W ar riors   Ris in g  Pun e Sup ergian ts   45   01   30   30   20   24   26   41   00   20   29   03   11   03   32   14   57   39   57   19   49   49   06   22   51   05   09   04       Analysis :  Fig ur e  5  a nd   Ta ble  7  il lustrat es  the  tru e  m ental ly   of   the   IP L  as  well   as  the  T 20   gam e.   Af te r  winnin g  the  toss ,  te am s   are   pr efe rri ng   to  fiel d  fi r st  so   that  they   can  plan  thei r  inn i ng s  well   wh il e  chasin g.  T her e   are   dif fer e nt  ver si ons  of  pit ches  a re  avail able  Pit ches  that  favor   s pin  bo wli ng   w hic h  are   m os tly  fo un d  in  the  I nd ia n  S ub c onti nen t ,  F la t  pitches  w hi ch  are   batsm an  f rien dly,  Pit ches  that  fa vor   swing   bowlin g,   Pit ch es  that  favor   f ast   bowling.  S o  basical ly ,  fie lding   first  over   batti ng   ca n  be com e  the  adv a ntage.  In   the  la st  thre e  seasons  ( 2016,  20 17,  20 18)   te a m   strat egie s  are  quit e  si m il ar.  They  anal yz e  the  pitch  and   th e   venue   ve ry w el l.       Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 2 3   -   4 4 3 2   4430       Figure  5 .  To ss  decisi on seas on  wise       Analysis:  T his   gr a ph   c on ti nu es  the  sa m e  tre nd   as  of   the  pr evio us   vis ualiz at ion .  F ro m   Fi gure  4,  Table  7  an d  Figure  6,  o ne  point  w hich  s hould   be  note d  th at   on ly   Chen na i  Su pe r  Kings  i s  the  te a m   wh o  pr efe r s  to  bat  after   winnin g  the t oss. Out o f 147  m at ches,  77 ti m es Chennai won th e  toss  a nd   45 ti m es th ey  d eci de  to  ba t first a nd   32   ti m es   to  bowl.  This  can  be   becau se  of  the  captai ncy  of  MS  Dhon i  w ho   rely   on  his  bowlin g  an d  fiel di ng   un it .  Win ning  count  of   90  m at ches  an d  l oss  co un t  of   57  m at ches  are  th e  sta ts  for  the   Chen nai   te am .  MS   Dho ni  and   S K   Ra ina  wh o  w on   14   ti m es   Ma xim u m   m a n  of   the  m at c hes  an d  they   bo t h  are  in  th e  li st   of   Ma xim u m   centur ie s  as  well .  So ,  batti ng   firs t  fo r  C hennai  is  al ways  the  righ t  decisi on .  T hr ee  ti m es  Ch enn a i   su pe r  Ki ng s  is   the  winn e r  of   IP L  (20 10,   2011  an d  20 18).   All  oth e r  te a m s  especial ly  Roya l  Chall e ng e rs   Ba ng al or e  w ho   play ed  a  total   of   16 6  m a tc hes  and   they   al so  won  the  toss  77  tim es  ou t  of   wh ic h  57  tim e s  they  decide  to  fiel d  first  an d  20  ti m es  to  bat.  CH   Gayl e  and   V  Kohli  of  Ba ng al or e  sc or e d  th e  m axi m u m   ce nturie s  by  a  c ount   of  8  a nd  5  an d  Ba ng al or e   ha ve  a  winnin g  c ou nt  of  79  a nd  loss  c ount  a s  87.  So,  thei r  de ci sion  com par ed  t o  C hennai  is  no t  a t  a  perfect   le ve l.  As  t hey  al so   hav e  sta r  pla ye rs  li ke  V  K oh li   a nd  CH  Gayl e ,   they  can  m ov e   their  decisi on s ta ts t o  bat  first  rather t ha n  a   fi el d   in t he u pcom ing  m at ches o r  Seas on s .           Figure  6 .  To ss  decisi on team   wise       5.   CONCL US I O N     In   t his  pa per,  the  pe rfor m ance  of   c ricket  play ers(batsm e n)   a nd  toss  relat ed  analy sis  in  IPL  f ro m   seaso n  2008 - 2018  has  bee n  vi su al iz ed.   Fin di ng   out  the  hidden  par am et ers,   patte rn s  a nd   a tt ribu te s  that  le ad  to   the  outc om e  of  a  cricket  m at c h  he lps  t he  te am   ow n ers  a nd  sel ect or s  to   rec ognize  bette r  pl ay ers.   A  sal ar y  of   Evaluation Warning : The document was created with Spire.PDF for Python.
Int   J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Da t a  vi s ua li za t ion   and t os s  re lated  analysis  of I P L tea ms  and batsm en  p e rforma nces  ( Vi dit Ka nungo )   4431   IP L  c ricket  pl ay ers  is  decid ed  th r ough  the   aucti on  proce ss.  T hus,  it   is   a  par t  of  f ra nch ise   an d  m at te r  of   decisi on  m aking  ab out  w hic h  play er  to   be   bid e d  for  a nd  at   wh at   c os t  by   the  pa st  pe rfor m ance   of  pl ay ers  in  IP L.   Eve ry  Sel ect or   nee ds   yo ung  a nd  dyna m ic   play ers  w ho  can   ha ndle   the  press ur e   ca l m l y,  and  go  t ow a r ds   the w i nn i ng li ne .    This  pap e r  highli gh ts  t he  play er  pe rfor m ance  especial ly   ba ts m en  an d  ad dr ess es  the  a na ly sis  that  is   done  f or  Ma xi m u m   Ma n   of   t he  Ma tc he s,  Ma xim u m   Ce ntu ries  Sc ored   by  Ba tsm en,   Top  Ba tsm en,   Ba ts m en  with  To p  Strik e  Ra te ,   Top   10   Play ers  with  Ma xim u m   Run s.  Stat ist ic s  of   696  m at ches  hav e  bee n  us e d  in  this  exp e rim ent  and   e ven  f or  toss   relat ed  a naly sis  su c h  as   Co un t  of  To ss  wins,   De ci sio n  ta ke n   by  each   te am   after   winnin g  the  toss,  T os s  Dec isi on   Seas on   W i se,  T os s  D eci sion   Team   W i se .  Ba sed  on  the  ab ove  analy sis,   the  Indian  bats m en  are  ver y  good  an d  are  on  top   c ho ic e  by   the  sel ect or s.  SK   Ra ina  consi der e d  as  the  fines t   batsm en  wh o  i s  second  in  th e  top   li st  of   ba ts m en  hav in g  m axi m u m   runs,   m axi m u m   m an  of   the  m at ches,   m axi m u m   centur ie s   sco re d,   V  Kohli  at   t he   first   posi ti on  of  m axi m u m   runs  a nd  e ve n  he   is  in   the   li st  for   m axi m u m   centur ie s.  All  ot her  Indian  Star  ba ts m en  MS  Dhon i  (Best   Ca pt ai n,   Ma xim u m   runs  a nd  Ma xim u m   m an  of  the   m atch es) ,  Ri sh a bh   Pant  (sec ond  best  stri ke  rate  and  m axi m u m   centu ries),   RG   Sh a rm a,  S  D ha wan,   G  Gam bh ir,  Y K  Patha n  a nd  M  Vij ay   perf or m ed  ver y  w el l  at   the  end  of   la st  five  overs .  Sele ct ors   hav e   the  cl ear  ch oic e  to  giv e   pref eren ce  t o  I ndia n  Play ers  at   first  as  they   pe r f or m ed  ver y   well   in  seaso n  f ro m   2008 - 2018. We  al so   pr ese nte d  toss  relat ed  a naly sis,  i n  w hich  MS  D honi  is  the  best  capta in  for  CSK w ho  w on   the  toss   m axi m um   tim es  hav i ng  co unt  of  77   an d  el ect ed   to   bat  first.  Their   ch oice  of   bat  f irst  m os tl y  resu lt s  in  win.   M os t  of  the  tim es  file d  first  is  el ect ed  by  the  captai ns   so   that  they   ca n  pla n  an d  pe r f or m   well   by  chasing.   RC B,  KK R,  MI  and   K XI P  el ect ed  fiel d  fi rst  m os t  of   the   tim es  hav ing   cou nt  of  57  an d  49.  Sele ct ors   hav e   the  cl ear  cho ic e  to  sel ect   bat sm en  fr om   M um bai  In dians   and   Ki ngs  XI  P unj a b  as  this  two  te am s   han dl e d   the  press ur e  ve ry  well   durin g  a ll   the  seaso ns  from   20 08 - 20 18.   By   co ns ide rin g  al l  this  vi su al iz at ion   a nd  toss  relat ed  a naly sis,  Team   Ma nag em ent  can  se le ct   the  rig ht  play ers  a nd  ri gh t s  te am s  at   the  tim e  of   a uc ti on .   A  go od   a nd  str ong  cric ket  te am   can  be  f or m ed  withi n  a  gi ve n  bu dg et ,  w hich  will   ha ve  th e  highest  cha nc e  of  winnin g.       REFERE NCE S     [1]   A  Micha e l  J.   Fr y ,   et  al . ,   “ In troduc ti on   to   th e  Spec ia l   Iss ue  on  Anal y t ic s  i n  Sports,  Part   I:  Gene r al  Sports   Applic a ti ons,”   I nstit ute   for  Operations  Re sear ch  and  the   Ma nageme nt  Sc ie n ce s  ( INFORMS) ,   vol.   42 ,   n o.   2,     pp.   105 - 108 ,   Ma rch - April  2012 .   [2]   Prince   Kansal ,   et   al . ,   “ Pla y er   Valua t ion  in  In dia n  Prem ie r  L ea gue  Auc ti on  using  Data   Mi ning  Techni que , ”  Inte rnational   Co nfe renc e  on   Con te mpor ary  Computing  and   Informatic s ( IC3I) ,   2012.   [3]   Loh,   C .   S.  and   Sheng,   “ Mea su rin g  expe rt - p erf or m anc e  for  Serio us  Gam es  A naly ti cs:  From   data  t o  insight s,”   Seri ous  Gam es  Anal ytic s:  Me thodol og ies   for  Pe rform an ce   M easurement ,   Assess ment,  an d  Impr ove ment ,   [Chapt er   5] ,  Ne w   York,  NY :  Sprin ger ,   2015 .   [4]   David  H.S.  Chu ng,   et   a l . ,   “ Know le dge - As sisted   Ranki ng:  A  Vi sual  Anal y t ic   A ppli c at ion  for  S ports  Eve nt  Da t a, ”  IEE E   Computer  Gr aphic s and  A ppli cations ,   vo l.   36,   no .   3 ,   2016 .   [5]   Sricha ran   Shah,   et  al.,   “ A  St ud y   on   Perfor m anc e  of   Cricket  Pl a y ers  usi ng  Fact or   Ana l y sis  Appro ac h, ”     Inte rnational   Jo urnal  of Adv an c ed  R e - search in  Computer  Scien ce ,   vol .   8 ,   n o .   3 ,   2017.   [6]   Van  Stade n ,   P.   J.,   “ Com par is on  of  cr ic k et er s’  bowling  and   batting  p erf or m anc es  using  g rap hical  d isplays , ”     Curr ent   Scienc e ,   vol. 96, n o.   6,   2 009.   [7]   Kala pdrum   Pass i  and  Nir avkuma r  Pande y ,   “ Predic ti ng  p lay e rs  per form anc e  in   one   da y   in te rn at ion a l  cricke t  m at ch e s   using Ma chi n e l ea rning , ”   Computer  Sc ie nc e  &   I nformation  Tech nology   ( CS  &   I T ) ,   2017.   [8]   Chira g  Go y al ,   “ IPL - 2017  Cross   Countr y   Clust er  Anal y sis , ”  Int er nati onal  Journal   of  Computer  Sci ence  Tr ends  an d  Technol ogy   ( IJCST) , v ol.   5 ,   no.   4 ,   2017 .   [9]   Sujee t  Kum ar  S har m a,   “ A  fac tor  ana l y s is  appr o ac h  in  per form a nce   anal y s is  of  T - 20  cri ck - et,”   J ournal  of  Re li ab il ity  and  Stat ist ic a l  St udie s ,  n o l. 6,  no.   1,   pp.   69 - 76 ,   20 13 .   [10]   Pabit ra  Kum ar  De y ,   Dipendr a  Nath  Ghos h  and  Abho y   Chand  M ondal ,   “ A  MCD M  Approac h  for  Eva lu at ing  Bowl ers   Perform anc e in  I PL, ”  Journal  o f Emerging  Tr end s in  Computing   and  Information Sci en ce s ,  v ol. 2 ,   n o.   11 ,   Nov 201 1.   [11]   C  Dee p  Praka sh,  et   al.,   “ A  new  Ca te gor y   base d  Dee p  Perform anc e  Inde x  using  Mac hine   L ea rn i ng  for  ran king  IPL  Cric ke te rs, ”  Int e rnational   Journal  of   Elec tronic s,   El e ct rica l  and   C omputati onal   Sy stem , v ol .   5 ,   no .   2,   Feb   2016.   [12]   Ja y an t  Praka sh,   et   al.,   “ Eva lu ation  of  IPL  Te a m s  and  Pla y ers   using  A ss oci at i on,   Corre l at ion  and  Cla ss ifi c ati on  Rule s,”   IE EE   Int ernati onal   Confer enc e  on   Compu te r,  Comm unic a t ion  and  Con trol ,   IC4 - 2015.   [13]   Shubhra  Singh  a nd  Parm ee t  Kau r,   “ IPL  Visuali z at ion  and  Prediction  Us ing  HBase , ”  In - formatio n  Technol ogy  a nd  Quantit ative   Ma na geme nt,  ITQ M   2017.   [14]   K.  Raj   and   P.  Padm a. ,   “ Applic a ti on  of   associa t ion  r ule   m ini ng:  A  ca se  stud y  on  te am  In dia , ”    Inte rnational   Co nfe renc e  on   Co mputer  Comm unic ati on   and  In formatic s,  ICCCI ,   2 013.   [15]   Ti je nd er  Singh,  et   al.,   “ Score   and  W inni ng  Predic ti on  in  Cric k e t  t hrough  Data   Mining, ”  Int ernati o nal  Confe renc e  on  Soft   Computing   Techni ques  and   Imple mentations -   ( ICSCT I ) ,   Oct 2015.   [16]   Hem ant a  Saik ia  and  Dib y oj y o ti   Bhat tacha r jee,   “ An  appl i ca t ion  of  m ult ila y er  p e rce ptron   neur al   net work  to   pre d ic t   the   per form ance  of  bat sm e n  in  India n  pre m ie r  le agu e,”  Int ernati onal  Jour nal  of  Re searc h  in  Sci ence  and   Technol ogy ,   vo l. 1, no. 1,   2014.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   5 ,  Oct ober   201 9   :   4 4 2 3   -   4 4 3 2   4432   [17]   M.  G.  Jhanwar   and  V.   Pudi,  "P red ic ti ng   the  Outcome  of  O DI  Cric ke t  Mat che s:  A  T ea m   Com positi on  Ba sed   Approac h, "  Eur opean  Confe ren ce   on  Ma chi n e  Lea rning  and  P rinci ple s  and   Pr act i ce   of   Knowl edge   Disco ve ry  in  Databases   ( ECMLPKDD ) ,   2016.   [18]   H.  H.  Le m m er,   " The   combined  b owling  rat e  as  a  m ea sure  of  bowling  per form anc e   in  cri cke t , "  Sout h  Af rican  Journal  for R ese arch   in   Sport,   Ph ysic al   Educ ati on   and  R ec reat ion ,   vol. 2 4,   n o .   2 ,   pp   37 - 4 4,   Jan   2002.   [19]   R.   R.   Mara the,   B.   Bansal,  B.   B.   Bansal,  and  T.   Ina n i,   “ Bu y i ng  ipl   play e rs  i n  auc ti on :  Cri c ket ing  gambl e  o r   s y stematic  logi c al   d ec ision ?”  Int ernati onal   Journ al  of   Busine ss   In - sights  &   Tr an sf orm ati on ,   vol .   6 ,   no.   1,   2012 .   [20]   F.  Ahm ed,   A.  Jindal ,   and  K.  Deb,   “ Cric ket   t ea m   sele c ti on  u sing  evol uti on ar y   m ult i - ob je c ti v e  opti m izati on , ”  Inte rnational   Co nfe renc e  on   Swa rm ,   Ev olu ti onar y,   and   Me m et i c Com puti ng ,  Spri nger ,   2011 ,  pp.   7 1 – 78.   [21]   Loh,   C . S.  and   Sheng,   “ Mea suring  the  (dis - )si m il a rity   b et we e n  expe rt   and  n ovic e  b eha v iors  as  serious  ga m es   ana l y t ic s , ”  Y .   Ed uc  Inf   Techno l,  Educ ati on   and  I nformation  Tech nologi es ,   Spring er  US ,   2015 .   [22]   Haidong  Chen,   Song  Zha ng,   and  W ei   Chen,   “Unc ert a inty - Aw are   Multi dimens iona l  Ensemble  Data   Visualiza t i on  an d  Exp lora t ion,”  IE EE Tr ansacti ons on  V isuali z ati on  and   Computer  Gr aphic s ,   v ol.   21 ,   no .   9 ,   Sep   2015.       BIOGR AP H I ES   OF  A UTH ORS        Vidit   Kanungo ,   MCA ,   Student ,   Christ  (Dee m ed   to  be   Univer si t y ) ,   vid it work5@g m ai l. com                     Tul asi  B ,   MCA ,   MP hil ,   As soci at e  Profess or  o f  Com pute r  Scie nce,  Christ  (D ee m ed  to  be  Univer sit y ),  tula si.b@c hristuni v e rsit y . in             Evaluation Warning : The document was created with Spire.PDF for Python.