PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/32512/2/065314049_Full.pdf · i...

i

PENGELOMPOKAN POSISI PEMAIN SEPAKBOLA

DENGAN METODE K-MEANS CLUSTERING

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer (S.Kom.)

Program Studi Teknik Informatika

Oleh:

A .Cahyo Ridho Nugroho

Nim: 065314049

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2012

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

CLUSTERING POSITION OF FOOTBALL PLAYER

USING K-MEANS CLUSTERING METHOD

A Thesis

Presented as Partial Fullfillment of the Recuirements

To Obtain Sarjana Komputer (S.Kom) Degree

In Department of Informatic Engineering

By:

A .Cahyo Ridho Nugroho

Student ID: 065314049

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TEKNOLOGI

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2012


iii


iv


v

HALAMAN PERSEMBAHAN

“Kau akan berhasil dalam setiap pelajaran, dan kau harus percaya akan

berhasil, dan berhasillah kau; anggap semua pelajaran mudah, dan semua

akan jadi mudah; jangan takut pada pelajaran apa pun, karena ketakutan itu

sendiri kebodohan awal yang akan membodohkan semua”

-Pramoedya Ananta Toer-

Knowlegde is Power

Skripsi ini ku persembahkan untuk:

Yesus Kristus

Bunda Maria

Bapak, mama ,dan kakak-kakakku

Sahabat dan Teman-teman

Terima Kasih Semua…..


vi


vii


viii

ABSTRAK

Banyak faktor yang mempengaruhi kemenangan dalam olahraga sepakbola.

Salah satunya adalah penempatan posisi yang tepat/sesuai untuk setiap pemainnya,

pada posisi forward, midfilder dan defender. Tugas akhir ini menggunakan k-means

clustering untuk mengolah data sample dari soccernet.espn.go.com.

K-means clustering akan mengelompokan data kedalam cluster/kelompok

sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu

cluster yang sama dan data yang mempunyai karakteristik yang berbeda

dikelompokkan ke dalam kelompok yang lain. Jumlah data sample yang digunakan

sebesar 719 data. Hasil proses k-means dari masukan data training adalah centroid

model. Dari centroid model yang didapat digunakan pada data testing untuk

menghasilkan posisi pemain.

Hasil dari sistem ini diolah dengan menggunakan metode evaluasi 5 Cross

Validation. Hasil pengujian penelitian untuk data uji coba menghasilkan prosentase

rata-rata akurasi sebesar 54,41% dan hasil ini dinilai kurang baik.

Kata kunci: K-means, Clustering, Posisi Pemain, Sepakbola


ix

ABSTRACT

There’s many factor to win football game. One of the factor is right

positioning for each player, those are: at forward, midfielder, and defender. This

thesis use K-Means clustering for process data sample from soccernet.espn.go.com..

K- Means clustering will organized datas into cluster so the data who have

same characteristic will organized in same cluster and the data who have different

characteristic is organized into other. Amount of data sample is 719 data. Summary

sof processes K-Means from input data training is centroid model. Centroid model

can use for testing data to release player position.

Output from this system can be processing with 5 cross validation evaluation

method. Result of research for testing data resulting accuration average is 54.41% and

the result is not too good.

Key word: K-means, Clustering, Player Position, Football.


x

KATA PENGANTAR

Puji dan syukur senantiasa penulis haturkan kepada Tuhan Yesus Kristus

karena hanya dengan anugerah, berkat, kasih, dan pertolongan-Nya penulis dapat

menyelesaikan penelitian dan penyusunan skripsi yang berjudul ” Pengelompokan

Posisi Pemain Sepakbola Dengan Metode K-Means Clustering”. Skripsi ini disusun

guna memenuhi salah satu syarat untuk memperoleh gelar Sarjana Strata Satu

Program Studi Teknik Informatika (S.Kom).

Terselesaikannya penulisan laporan akhir ini tidak lepas dari bantuan

berbagai pihak yang telah membantu penulis. Oleh karena itu, penulis mengucapkan

terima kasih kepada:

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberi anugerah, rahmat,

dan kekuatan sehingga penulis dapat menyelesaikan penelitian dan penyusunan

skripsi ini hingga selesai.

2. Kedua orang tua saya, Drs. Riddha Nata, dan CH. Sri Purwani Trisnaningsih,

kakak-kakakku Y. Hardiyan Ridho Kumoro. SE. dan M. Nur Setyawati

Ridhaningsih. SE. yang selalu memberikan curahan kasih sayang tak terhingga,

doa, dukungan baik moral maupun moril kepada penulis serta pengertian

sehingga penulis bisa menjadi seperti sekarang.

3. Ibu P.H. Prima Rosa, S.Si., M.Sc., selaku Dekan Fakultas Sains dan Teknologi

Universitas Sanata Dharma.


xi

4. Ibu Ridowati Gunawan, S.Kom., M.T., selaku Ketua Jurusan Teknik Informatika,

Universitas Sanata Dharma.

5. Bapak Puspaningtyas Sanjoyo Adi, S.T., M.T. selaku dosen pembimbing yang

selalu memberikan bimbingan, dukungan, waktu dan saran.

6. Seluruh Dosen Universitas Sanata Dharma, Dosen yang mengajar jurusan Teknik

Informatika khususnya yang telah mengajarkan banyak ilmu kepada penulis.

7. Dimas, Robin, Lugas, Bagas, Anton, Mamet dan Denise yang telah membantu

penulisan skripsi ini, dalam suka dan duka penulis.

8. Semua teman-teman TI angkatan 2006 dan anak-anak Kost Patria yang telah

memberikan warna baru dalam kehidupan penulis.

9. Serta semua pihak yang telah banyak membantu penyusunan skripsi ini yang

tidak dapat disebutkan satu per satu.

Penulis menyadari bahwa penulisan skripsi ini masih banyak kekurangan

dan kelemahan karena keterbatasan pikiran, tenaga, dan waktu penulis. Untuk itu

penulis mengharapkan saran dan kritik yang membangun dari semua pihak. Akhir

kata semoga skripsi ini dapat berguna dan bermanfaat bagi pembaca semua.

Yogyakarta,

Penulis


xii

DAFTAR ISI

HALAMAN JUDUL.................................................................................................. i

HALAMAN JUDUL (BAHASA INGGRIS)............................................................. ii

HALAMAN PERSETUJUAN................................................................................... iii

HALAMAN PENGESAHAN.................................................................................... iv

HALAMAN PERSEMBAHAN................................................................................. v

PERNYATAAN KEASLIAN KARYA..................................................................... vi

PERSETUJUAN PUBLIKASI KARYA ILMIAH.................................................... vii

ABSTRAK.................................................................................................................. viii

ABSTRACT............................................................................................................... ix

KATA PENGANTAR................................................................................................ x

DAFTAR ISI.............................................................................................................. xii

DAFTAR GAMBAR.................................................................................................. xv

DAFTAR TABEL...................................................................................................... xviii

BAB I PENDAHULUAN………………………………………………..…… 1

1.1 Latar Belakang ...............……………………………………….…….... 1

1.2 Rumusan Masalah………………………………………………......….. 2

1.3 Tujuan................…………………………………………………..……. 2

1.4 Batasan Masalah.........……………………………………………..….... 2

1.5 Metodologi Penelitian.......………………………………………..……. 3

1.6 Sistematika Penulisan……………………………………………..…… 3

BAB II LANDASAN TEORI…………………………………………....…… 5

2.1 Sepakbola…………………………………………………………....…. 5

2.2 Clustering………………………………………………………………. 6

2.2.1 K-means Clustering…………………………………………..….….. 7

2.3 Pengukuran Similarity……………………………………………..…... 8

2.5 Contoh Perhitungan k-means Clustering dengan Cosine Similarity........ 9

2.6 Perhitungan Pembentukan Centroid…………………………………..... 12


xiii

2.7 Model Evaluasi 5 Cross Validation…………………………………….. 17

BAB III ANALISA DAN PERANCANGAN SISTEM……………………… 20

3.1 Analisa Sistem …………………………………………………………. 20

3.1.1 Data Training dan Data Testing…………………………….....…..… 22

3.1.2 Detail Pembentukan Centroid Tiap Posisi/Cluster………...………… 23

3.2 Pelabelan.......................……………………………………….......…… 25

3.2.1 Pelabelan Data Training…………………………………….......…… 25

3.2.2 Pelabelan Data Testing………………………………………………. 27

3.3 Perancangan Sistem…………………………………………….………. 28

3.3.1 Aktor……………………………………………………………..…... 28

3.3.2 Diagram Use Case……………………………...………………..…... 28

3.3.3 Tabel Use Case…………………………………………………….… 28

3.3.4 Narasi Use Case…………………………………………………..….. 29

3.3.5 Diagram Aktivitas………………………………………..…………. 41

3.3.6 Model Analisis………………………………..…………....…...…… 41

3.3.7 Diagram Kelas Keseluruhan…………………………………………. 48

3.4 Rancangan Interface…………………………………………………… 48

3.4.1 Halaman Home…………………………………………..…….……. 48

3.4..2 Halaman Create…………………………………………....………... 49

3.4.3 Halaman Model……………………………………….……………. 50

3.4.4 Halaman Group Dengan Label....……………………….………….. 51

3.4.5 Halaman Group Tanpa Label............................................................... 52

3.4.6. Halaman Personal…………………………………………………... 53

3.4.7 Halaman View Model………………………………...…………….. 54

3.4.8 Halaman View Detail.............…………………………..…….….….. 55

3.4.9 Halaman View Detail Non Label......…………………..…….….….. 55

3.4.10 Grafik………………………………………………………………... 56

3.4.11 Halaman Help………………………………………….…………….. 57


xiv

3.4.12 Halaman About………………………………………....…………… 57

3.5 Metode Evaluasi 5 Cross Validation……………………….…………... 58

BAB IV IMPLEMENTASI DAN ANALISIS SISTEM……………………… 59

4.1 Implementasi……………………………………………………..……. 59

4.2 Implementasi Antar Muka…………………………………………….. 60

4.2.1 Halaman Home ……………………………………………………... 60

4.2.2 Halaman Model ……………………………………………….…… 64

4.2.3 Halaman Group Dengan Label....……………………….………….. 66

4.2.4 Halaman Group Tanpa Label............................................................... 70

4.2.5 Halaman Personal ………………………………......……………… 72

4.2.6 Halaman About dan Help…………………………………………… 73

4.3 Implementasi Program…………………………….....………………… 74

4.3.1 Input Data………………………………………..……..……………. 74

4.3.2 Centroid Random................................................................................. 75

4.3.2 Proses Pengelompokan……………………………………………… 76

4.3.3 Hitung Kemiripan...………………………… …………….………… 77

4.3.4 Cek Sama…..…..…………………………………………..………… 79

4.3.5 Pelabelan…………………………………………………….………. 79

4.3.6 Grafik……….………..…………………………………………….... 82

4.4 Metode Pelaksanaan Pengujian Hasil…….….………………………… 83

4.4.1 Pengelompokan Data………..……………………………………… 83

4.4.2 Pengujian dan Perhitungan kurasi…………………….…………..… 83

BAB V KESIMPULAN DAN SARAN……………………………….........… 94

5.1 Kesimpulan ……….………..…………..………………………...…….. 94

5.2 Saran…….….…………………………..……………………………..... 94

DAFTAR PUSTAKA

LAMPIRAN


xv

DAFTAR GAMBAR

Gambar 2.1 Pembagian data statistik pemain ke dalam 5 kelompok data..... 17

Gambar 2.2 Metode Evaluasi 5 Cross Validation pengujian 1..................... 18





Gambar 3.1 Data Training............................................................................ 22

Gambar 3.2 Data Testing.............................................................................. 22

Gambar 3.3 Flowchart Pembentukan Centroid Model.................................. 23

Gambar 3.4 Pelabelan Data Training............................................................ 25

Gambar 3.5 Pelabelan Data Testing............................................................... 27

Gambar 3.6 Diagram Use Case...................................................................... 28

Gambar 3.7 Diagram Activity Pembentukan Centroid Tiap Cluster............. 38

Gambar 3.8 Diagram Activity Group Dengan Label.................................... 39

Gambar 3.9 Diagram Activity Group Tanpa Label....................................... 40

Gambar 3.10 Diagram Activity Personal......................................................... 41

Gambar 3.11 Sequence Pembentukan Centroid Tiap Cluster......................... 43

Gambar 3.12 Sequence Activity Group Dengan Label................................... 44

Gambar 3.13 Sequence Activity Group Tanpa Label..................................... 46

Gambar 3.14 Sequence Activity Personal........................................................ 44

Gambar 3.15 Diagram Kelas Keseluruhan...................................................... 48

Gambar 3.16 Halaman Home........................................................................... 49

Gambar 3.17 Halaman Create.......................................................................... 50

Gambar 3.18 Halaman model.......................................................................... 51

Gambar 3.19 Halaman Group(Dengan Label)................................................. 52

Gambar 3.20 Halaman Group(Tanpa Label)................................................... 53


xvi

Gambar 3.21 Halaman Personal...................................................................... 54

Gambar 3.22 Halaman View Model................................................................ 54

Gambar 3.23 Halaman View Detail................................................................ 55

Gambar 3.24 Halaman View Detail Non Label.............................................. 56

Gambar 3.25 Halaman Grafik.......................................................................... 56

Gambar 3.26 Halaman Help............................................................................. 57

Gambar 3.27 Halaman About.......................................................................... 57

Gambar 3.28 Pengelompokan Data Untuk Evaluasi....................................... 58

Gambar 4.1 Halaman Create.......................................................................... 61

Gambar 4.2 Halaman Create(sebelum data diinputkan)................................ 62

Gambar 4.3 Kotak File Selector Untuk Mengambil Data.............................. 62

Gambar 4.4 Pemberitahuan Data Telah Diinputkan..................................... 63

Gambar 4.5 Halaman Create(setelah data diinputkan).................................. 63

Gambar 4.6 Pemberitahuan File Telah Selesai Diproses(setelah user

.menekan tombol proses)........................................................... 63

Gambar 4.7 Halaman Model......................................................................... 65

Gambar 4.8 Halaman View Detail(untuk melihat data yang masuk

kedalam salah satu cluster)....................................................... 65

Gambar 4.9 Halaman Grafik.......................................................................... 66

Gambar 4.10 Halaman Group Dengan Label.................................................. 66

Gambar 4.11 File Selector untuk memilih File yang akan dikelompokan....... 67

Gambar 4.12 Pemberitahuan File Telah Diinputkan....................................... 67

Gambar 4.13 Halaman Group Dengan Label(setelah file diinputkan)............ 68

Gambar 4.14 Halaman Group Dengan Label(setelah file diproses)............... 68

Gambar 4.15 Halaman Untuk Menyimpan File Terproses(.csv)..................... 69

Gambar 4.16 Halaman View Detail(isi data pemain yang masuk pada salah

satu cluster)................................................................................ 69

Gambar 4.17 Halaman Group Tanpa Label..................................................... 70


xvii

Gambar 4.18 Halaman Group Tanpa Label(setelah file diproses)................... 71

Gambar 4.19 Halaman View Detail Non Label.............................................. 71

Gambar 4.20 Halaman Personal...................................................................... 72

Gambar 4.21 Halaman Personal(setelah memproses inputan data dari user).. 72

Gambar 4.22 Halaman Help ........................................................................... 73

Gambar 4.23 Halaman About.......................................................................... 73


xviii

DAFTAR TABEL

Tabel 2.1 Data Pemain......................................................................... 9

Tabel 2.2 Titik Centroid....................................................................... 10

Tabel 2.3 Hasil Perhitungan Centroid................................................... 12

Tabel 2.4 Data Pemain......................................................................... 13

Tabel 2.5 Pembentukan Centroid 1...................................................... 14

Tabel 2.6 Pembentukan Centroid 2...................................................... 14

Tabel 2.7 Pembentukan Centroid 3....................................................... 15

Tabel 2.8 Pembentukan Centroid 4....................................................... 16

Tabel 3.1 Data Inputan(Training)........................................................ 21

Tabel 3.2 Data Inputan(Tanpa Label)................................................... 21

Tabel 3.3 Use Case............................................................................... 28

Tabel 3.4 Kelas Analisis Pembentukan Centroid................................. 42

Tabel 3.5 Kelas Analisis Penentuan Posisi Group Dengan Label........ 44

Tabel 3.6 Kelas Analisis Penentuan Posisi Group Tanpa Label.......... 45

Tabel 3.7 Kelas Analisis Penentuan Posisi Personal............................ 46

Tabel 4.1 Implementasi File................................................................. 59

Tabel 4.2 Percobaan Kelompok A........................................................ 84

Tabel 4.3 Percobaan Kelompok B........................................................ 85

Tabel 4.4 Percobaan Kelompok C........................................................ 86

Tabel 4.5 Percobaan Kelompok D........................................................ 87

Tabel 4.6 Percobaan Kelompok E........................................................ 89

Tabel 4.7 Rata-Rata Akurasi Program................................................. 91

Tabel 4.8 Data Pelabelan..................................................................... 93

Tabel 4.9 Kemiripan Antar Centroid................................................... 94


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Olahraga hingga saat ini bukan lagi sekedar untuk menjaga kebugaran fisik atau

hobi, tetapi mulai menjadi lahan bisnis yang menguntungkan, dari sisi atlet, pelatih,

tiket pertandingan, hak siar hingga ke perusahaan sponsor. Salah satu contohnya

adalah olahraga sepakbola. Ini terbukti dari hadiah liga champions eropa. Seluruh

kontestan di fase grup otomatis menerima bonus partisipasi €3,9 juta plus jatah uang

tampil setotal €3,3 juta (550 ribu per laga fase grup). Setiap kemenangan di babak ini

sama artinya dengan tambahan penghasilan €800 ribu, sementara hasil seri setara

€400 ribu(Goal.com,2012). Dengan kondisi seperti ini maka meraih kemenangan

dalam sebuah pertandingan menjadi tuntutan. Faktor-faktor penentu kemenangan ada

beberapa meliputi formasi tim, keahlian pelatih, kelengkapan skuad, kemampuan

individu pemain, penempatan posisi yang sesuai untuk pemain, mental dan lain-lain.

Dari beberapa faktor, penempatan posisi yang sesuai untuk pemain kadang menjadi

salah satu masalah. Penempatan posisi pada setiap pemain diatur oleh pelatih. Jika

seorang pelatih menempatkan pemain pada posisi yang salah, maka pemain tidak bisa

bermain maksimal.

Pada kompetisi sepakbola atau liga sepakbola dengan jumlah anggota 20 klub

maka terdapat 380 pertandingan dalam satu musim liga. Jumlah pertandingan yang

banyak membuat data track record pemain semakin bervariasi. Dengan adanya data

track record pertandingan setiap pemain bisa dilakukan penambangan data(data

mining). Data mining sebagai salah satu cara kita dapat memperoleh informasi dari

sekumpulan data. Data mining sendiri memiliki beberapa metode, salah satunya K-

means Clustering. Algoritma K-Means adalah metode clustering berbasis jarak yang

membagi data ke dalam sejumlah cluster.


2

Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang

memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama

dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam

kelompok yang lain. Dengan data statistik track record pertandingan masing-masing

pemain beratribut nilai numerik, maka penulis dapat melakukan data mining dengan

algoritma k-means clustering yang hanya bekerja pada atribut numerik. Selain itu

algoritma k-means clustering dinilai memiliki teknik yang sangat cepat dalam proses

clustering untuk mengelompokan posisi pemain sepakbola.

Maka penulis mencoba membuat aplikasi dari salah satu faktor penentu

kemenangan yaitu posisi yang tepat/ sesuai untuk seorang pemain. Dengan

penggunaan algoritma k-means clustering pada aplikasi ini diharapkan mampu

memberikan referensi tambahan bagi pelatih, agar tepatnya posisi pemain dapat

memaksimalkan kemampuan pemain atau bahkan meraih kemenangan tim.

1.2 Rumusan Masalah

Dari latar belakang yang ada dapat di rumuskan beberapa masalah:

1. Bagaimana menentukan posisi yang tepat untuk pemain sepakbola sehingga

dapat membantu user(pelatih)?

2. Bagaimanakah penerapan data mining dengan metode K Means Clustering ke

dalam sepakbola?

1.3 Tujuan

Adapun tujuan dari pengelompokan posisi pemain adalah membuat aplikasi yang

dapat membantu untuk pelatih maupun user lainnya dalam menempatkan posisi

pemain yang tepat dengan K means clustering.


3

1.4 Batasan Masalah

Dalam batasan masalah ini, penyusun membatasi permasalahan yang perlu,

yaitu :

1. Data yang di gunakan data liga eropa(sumber http://soccernet.espn.go.com).

2. File inputan berupa file berformat .csv.

3. Atribut-atribut yang dipakai adalah game started, goals, shots, shots on goal,

assists, fouls commited, fouls suffered, yellow card dan red card.

4. Untuk posisi pemain penyusun hanya mengkategorikan untuk forward,

midfilder dan defender.

5. Data yang akan di gunakan data pertandingan pada musim 20010/2011.

1.5 Metodologi Penelitian

Metode yang dipergunakan untuk perancangan sistem dan pembuatan

perangkat lunak, serta menyelesaikan permasalahan adalah dengan cara :

1. Studi pustaka.

Penyusun mencari literatur-literatur K-means clustering untuk mengenal dan

mempelajari cara kerja dari algoritma tersebut.

2. Perancangan Sistem

Setelah melalui tahap studi pustaka selanjutnya dilakukan perancangan sistem

yang akan dibuat.

3. Implementasi

Tahap ini adalah penerapan desain kedalam bentuk program dengan

memanfaatkan bahasa pemprograman yang ada berdasarkan perancangan

sistem.


4

1.6 Sistematika Penulisan

BAB I. PENDAHULUAN

Berisi latar belakang masalah, batasan masalah, tujuan tugas akhir,

rumusan masalah, metodologi penelitian, dan sistematika penulisan..

BAB II. LANDASAN TEORI

Berisi mengenai penjelasan dan uraian singkat mengenai teori-teori

yang berkaitan dengan topik dari tugas akhir ini. Tulisan ini menghendaki

tingkat pemahaman tertentu sehingga dasar-dasar teori tidak diberikan dari

dasar dan secara mendetail.

BAB III. ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi tentang analisi system dan membahas perancangan secara

garis besar dalam menampilkan pengelompokan yang akan dibuat.

BAB IV. IMPLEMENTASI DAN ANALISA HASIL

Menjelaskan mengenai implementasi rancangan (desain) kedalam

bentuk utilitas yang nyata yang dapat dipergunakan secara langsung. Bab

ini juga berisi tentang hasil uji coba program dan analisa hasil.

BAB V. KESIMPULAN DAN SARAN

Bab ini berisi tentang kesimpulan dan saran.


5

BAB II

LANDASAN TEORI

2.1. Sepakbola

Sepak bola adalah suatu olahraga yang dilakukan dengan jalan menyepak bola

yang mempunyai tujuan untuk memasukkan bola ke gawang lawan dan

mempertahankan gawang sendiri agar tidak kemasukan bola. Di dalam permainan

sepak bola, setiap pemain diperbolehkan menggunakan seluruh anggota badan

kecuali tangan dan lengan. Hanya penjaga gawang atau kiper yang diperbolehkan

memainkan bola dengan kaki dan tangan. Sepak bola merupakan permainan beregu

yang masing-masing regu terdiri atas sebelas pemain. Permainan sepak bola

dimainkan dalam dua babak (2x45 menit) dengan waktu istirahat (10 menit).

Mencetak gol ke gawang merupakan sasaran dari setiap kesebelasan. Suatu

kesebelasan dinyatakan sebagai pemenang apabila kesebelasan tersebut dapat

memasukkan bola ke gawang lebih banyak dan kemasukan bola lebih sedikit jika

dibandingkan dengan lawannya.

Dalam pertandingan sepakbola memerlukan formasi yang akan diisi para

pemain. Posisi untuk tiap lini mempunyai tugas masing-masing. Untuk penentuan

posisi pemain sepakbola yang sesuai, penulis mengkategorisasikan kedalam beberapa

kategori posisi pemain yang dipakai dalam penelitian ini sebagai berikut:

1. Defender: pemain belakang yang berada depan posisi penjaga gawang

bertugas menjaga pertahanan.

2. Midfilder: pemain berposisi pemain tengah yang bertugas membantu

pertahanan maupun serangan.

3. Forward: pemain yang memiliki posisi terdepan, bertugas mencetak gol.

Untuk data-data pemain yang akan dipakai adalah track record pertandingan

tiap pemain. Atribut untuk setiap pemain sebagai data untuk mengkelompokan posisi

pemain, terdapat:


6

GS: Games Started Pertandingan yang telah diikuti.

G: Goals gol yang telah dihasilkan.

A: Assists kontribusi(umpan) pemain untuk terciptanya gol.

SH: Shots tendangan yang telah dilakukan.

SG: Shots on goal tendangan kearah gawang yang telah dilakukan.

YC: Yellow Cards kartu kuning yang telah diterima.

RC: Red Cards kartu merah yang telah diterima.

FC: Fouls Committed pelanggaran yang telah dilakukan.

FS: Fouls Suffered pelanggaran yang telah diterima.

2.2. Clustering

Dalam penulisan pengelompokan posisi pemain yang tepat ini penulis

melakukan penambangan data(data mining) untuk mendapatkan informasi yang

dibutuhkan. Data mining sendiri adalah proses dari pencarian/penemuan informasi

dalam data yang besar. Data mining menyediakan kapabilitas untuk memprediksi

hasil dari observasi ke depan. Tetapi untuk data mining tidak semua penemuan

informasi dapat dipertimbangkan menjadi data mining.

Clustering terbagi menjadi beberapa yaitu (Zaiane,1999):

1. Partitioning Clustering

Disebut juga exclusive clustering

Setiap data harus termasuk dalam cluster tertentu

Memungkinkan bagi setiap data yang termasuk cluster tertentu pada

suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster

yang lain

2. Hierarchical Clustering

Setiap data harus masuk ke dalam cluster tertentu

Suatu data yang masuk kedalam cluster tertentu pada suatu tahapan

proses, tidak dapat berpindah ke cluster lain.


7

Contoh: Single Linkage, Centroid Linkage, Complete Linkage,

Average Linkage.

3. Overlapping Clustering

Setiap data memungkinkan termasuk ke beberapa cluster

Data mempunyai nilai keanggotaan (membership) pada beberapa

cluster

Contoh : Fuzzy C-means, Gaussian Mixture

4. Hybrid

Merupakan kombinasi dari karakteristik partitioning, overlapping dan

hierarchical.

2.2.1. K-Means Clustering

Tujuan utama dari metode clustering adalah pengelompokan sejumlah

data/obyek ke dalam cluster (group) sehingga dalam setiap cluster akan berisi data

semirip mungkin (Santoso,2005). Partitioning clustering memiliki sifat semua data

akan masuk ke dalam cluster-cluster yang terbentuk. Setiap data yang ada dalam

suatu cluster memungkinkan pada suatu tahapan proses atau tahapan proses

berikutnya untuk berpindah ke cluster lain. K-means Clustering termasuk dalam

Partitioning Clustering. Means dalam hal ini berarti nilai suatu rata-rata dari suatu

grup data yang dalam hal ini didefinisikan sebagai cluster. K-Means merupakan salah

satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke

dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam

cluster/kelompok sehingga data yang memiliki karakteristik yang sama

dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai

karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain. Adapun

tujuan dari data clustering ini adalah untuk meminimalisasikan objective function

yang diset dalam proses clustering, yang pada umumnya berusaha


8

meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi

antar cluster. Data clustering menggunakan metode k-means ini secara umum

dilakukan dengan algoritma dasar sebagai berikut:

1. Tentukan k sebagai jumlah cluster yang ingin dibentuk

2. Bangkitkan k centroids (titik pusat cluster) awal secara random.

3. Hitung jarak setiap data ke masing-masing centroid.

4. Setiap data memilih centroid yang terdekat.

5. Tentukan posisi centroid baru dengan cara menghitung nilai rata-rata dari

data-data yang terletak pada centroid yang sama.

6. Kembali ke langkah 3 jika posisi centroid baru dengan centroid lama tidak

sama.

2.3. Pengukuran Similarity

Analisa cluster merupakan proses identifikasi kelompok-kelompok objek

yang mirip(similar) satu sama lain. Oleh karena itu, pengukuran similarity memegang

peranan yang penting pada algoritma clustering, sebab kualitas hasil analisa cluster

sangat tergantung pada fungsi similarity yang di gunakan.

Secara umum, fungsi similarity adalah fungsi yang menerima dua buah obyek

dan mengembalikan nilai kemiripan (similarity) antara kedua objek tersebut berupa

bilangan riil. Nilai yang di hasilkan oleh fungsi similarity berkisar pada interval

[0…1].

Saat ini banyak berkembang metode pengukuran similarity yang dapat

digunakan untuk berbagai keperluan. Beberapa funsgsi similarity berbasis himpunan

yang telah di generalisasi sebagai berikut:

Koefisien Jaccard

Koefisien Dice

Koefisien Cosine


9

Koefisien cosine adalah pengukuran similarity yang sering digunakan untuk

keperluan clustering pada data, dokumen maupun lainnya. Koefisien ini sebanding

dengan sudut antara dua vector data dan tidak terpengaruh oleh panjang data. Selain

itu, keofisien cosine juga memiliki sifat unik di mana nilainya diperbesar pada sudut

antara 0 derajat sampai 45 derajat.

Cosine antara dua titik x dan y didefinisikan sebagai:

cos 𝜃= 𝑥 𝑡 𝑦

𝑥 | 𝑦 |

Dimana ||x|| didefinisikan sebagai ..............Rumus 1

𝑥𝑖2𝑛

𝑖=1

2.5. Contoh Perhitungan K means Clustering dengan Cosine Similarity

Contoh perhitungan menggunakan lima data yang berisi lima variable untuk

tiap datanya. Jumlah cluster berjumlah empat cluster.

Tabel 2.1 Data pemain

Nama G A SG FS FC

A1 20 2 22 15 5

A2 1 0 5 5 15

A3 10 5 15 7 7

A4 5 3 10 5 6

A5 2 5 5 3 7

Keterangan:





10



Pengelompokan: Nama cluster D1, D2, D3 dan D4.

Penentuan Centroid(centroid diambil secara acak dari data)

Table 2.2 Titik Centroid

Nama Cluster Centroid

D1 A2 (1, 0, 5, 5, 15)

D2 A3 (10, 5, 15, 7, 7)

D3 A4 (5, 3, 10, 5, 6)

D4 A5 (2, 5, 5, 3, 7)

Pengolahan data:

Data masuk: A1 (20, 2, 22, 15, 5)

Data A1 akan dicek tingkat kemiripan dengan tiap centorid cluster.

Perhitungan tingkat kemiripan dengan centroid

1. Data: A1 (20, 2, 22, 15, 5)280

Centroid: D1 (1, 0, 5, 5, 15)

cos 𝜃=20∗1 + 2∗0 + 22∗5 + 15∗5 + 5∗15

202+22+222+152+52 ∗ 12+02+52+52+152

= 20 + 0+ 110 + 75 + 75

400+4+484+225+25 ∗ 1+0+25+25+225

=280

1138 ∗ 276

= 280

33.73 ∗ 16.61


11

= 280

560.25

= 0.49

2. Data: A1 (20, 2, 22, 15, 5)

Centroid: D2 (10, 5, 15, 7, 7)

cos 𝜃=20∗10 + 2∗5 + 22∗15 + 15∗7 + 5∗7

202+22+222+152+52 ∗ 102+52+152+72+72

= 200 + 10+ 330 + 105 + 35

400+4+484+225+25 ∗ 100+25+225+49+49

=680

1138 ∗ 448

= 680

33.73 ∗ 21.16

= 680

713.72

= 0.95

3. Data: A1 (20, 2, 22, 15, 5)

Centroid: D3 (5, 3, 10, 5, 6)

cos 𝜃=20∗5+ 2∗3 + 22∗10 + 15∗5 + 5∗6

202+22+222+152+52 ∗ 52+32+102+52+62

= 100 + 6+ 220 + 75 + 30

400+4+484+225+25 ∗ 25+9+100+25+36

=431

1138 ∗ 195

= 431

33.73 ∗ 13.96

= 431

470.87

= 0.91

4. Data: A1 (20, 2, 22, 15, 5)

Centroid: D4 (2, 5, 5, 3, 7)


12

cos 𝜃=20∗2+ 2∗5 + 22∗5 + 15∗3 + 5∗7

202+22+222+152+52 ∗ 22+52+52+32+72

= 40 + 10+ 110+ 45 + 35

400+4+484+225+25 ∗ 4+25+25+9+49

=240

1138 ∗ 112

= 240

33.73 ∗ 10.58

= 240

356.86

= 0.67

Hasil perhitungan similarity

Tabel 2.3. Hasil Perhitungan Similarity

Data Centroid Tingkat kemiripan

A1 (20, 2, 22, 15, 5) D1 (1, 0, 5, 5, 15) 0.49

A1 (20, 2, 22, 15, 5) D2 (10, 5, 15, 7, 7) 0.95

A1 (20, 2, 22, 15, 5) D3 (5, 3, 10, 5, 6) 0.91

A1 (20, 2, 22, 15, 5) D4 (2, 5, 5, 3, 7) 0.67

Dari hasil table diatas centroid yang memiliki tingkat kemiripan paling tinggi

dengan data masukan adalah centroid D2. Maka data A1 dalam perhitungan

ini masuk sebagai cluster D2.

2.6.Perhitungan Pembentukan Centroid

Dari data yang ada pada tiap cluster, akan ditentukan centroidnya

dengan rumus:

𝜇 =1

𝑛 𝑣 data..................................................Rumus2


13

Data akan dibagi kedalam empat cluster, setiap cluster memiliki 1 centorid.

Tabel 2.4 Data Pemain

Nama G A SG FS FC

A1 20 5 30 20 5

A2 10 3 12 11 10

A3 7 4 20 15 7

A4 16 2 25 18 10

A5 10 6 15 12 6

A6 10 7 10 12 6

A7 5 6 10 15 15

A8 2 5 8 8 5

A9 7 16 10 16 10

A10 5 3 12 7 18

A11 0 3 5 6 20

A12 4 1 7 10 16

A13 5 2 8 11 17

A14 2 0 3 8 14

A15 1 1 4 10 10

A16 0 1 0 4 2

A17 0 0 0 5 3

A18 1 0 1 3 3

A19 0 0 0 8 1

A20 0 0 0 9 2

Keterangan:





14



Data dibagi menjadi 4 cluster:

Cluster 1:

Tabel 2.5. Pembentukan Centroid 1

Nama G A SG FS FC

A1 20 5 30 20 5

A2 10 3 12 11 10

A3 7 4 20 15 7

A4 16 2 25 18 10

A5 10 6 15 12 6

Perhitungan pembentukan untuk C1:

𝜇 =1

𝑛 𝑣 data

𝜇= 1

5( 20+10+7+16+10 , 5+3+4+2+6 , 30+12+20+25+15 , 20+11+15+18+12 ,

= 1

5( 63 , 20 , 102 , 76 , 38 )

= ( 12.6 , 4 , 20.4 , 15.2 , 7.6 )

Centroid pada cluster 1 adalah ( 12.6 , 4 , 20.4 , 15.2 , 7.6 ).

Cluster 2:


Nama G A SG FS FC

A6 10 7 10 12 6

A7 5 6 10 15 15


15

A8 2 5 8 8 5

A9 7 16 10 16 10

A10 5 3 12 7 18


𝜇 =1

𝑛 𝑣 data

𝜇 = 1

5( 10+5+2+7+5 , 7+6+5+16+3 , 10+10+8+10+12 , 12+15+8+16+7 ,

6+15+5+10+18 )

= 1

5( 29 , 37 , 50 , 58 , 54 )

= ( 5.8 , 7.4 , 10 , 11.6 , 10.8 )

Centroid pada cluster 2 adalah ( 5.8 , 7.4 , 10 , 11.6 , 10.8 ).

Cluster 3:


Nama G A SG FS FC

A11 0 3 5 6 20

A12 4 1 7 10 16

A13 5 2 8 11 17

A14 2 0 3 8 14

A15 1 1 4 10 10


𝜇 =1

𝑛 𝑣 data

𝜇 = 1

5(0+4+5+2+1 , 3+1+2+0+1 , 5+7+8+3+4 , 6+10+11+8+10 ,

20+16+17+14+10 )


16

= 1

5( 12 , 7 , 27 , 45 , 77 )

= ( 2.4 , 1.4 , 5.4 , 9 , 15.4 )

Centroid pada cluster 3 adalah ( 2.4 , 1.4 , 5.4 , 9 , 15.4 ).

Cluster 4:


Nama G A SG FS FC

A16 0 1 0 4 2

A17 0 0 0 5 3

A18 1 0 1 3 3

A19 0 0 0 8 1

A20 0 0 0 9 2


𝜇 =1

𝑛 𝑣 data

𝜇 = 1

5(0+0+1+0+0 , 1+0+0+0+0 , 0+0+1+0+0 , 4+5+3+8+9 , 2+3+3+1+2 )

= 1

5( 1 , 1 , 1 , 29 , 11 )

= ( 0.2 , 0.2 , 0.2 , 5.8 , 2.2 )

Centroid pada cluster 4 adalah ( 0.2 , 0.2 , 0.2 , 5.8 , 2.2 ).

Hasil perhitungan centroid:

Cluster 1: ( 12.6 , 4 , 20.4 , 15.2 , 7.6 )

Cluster 2: ( 5.8 , 7.4 , 10 , 11.6 , 10.8 )

Cluster 3: ( 2.4 , 1.4 , 5.4 , 9 , 15.4 )

Cluster 4: ( 0.2 , 0.2 , 0.2 , 5.8 , 2.2 )


17

2.7. Model Evaluasi 5 Cross Validation

Tingkat akurasi sebuah sistem pengelompokan dapat diukur dengan metode 5

cross validation yang membagi data statistik menjadi 5 bagian. Yang kemudian

secara bergantian dijadikan training dan testing dalam lima langkah pengujian saling

silang.

Dimisalkan terdapat n buah data masukan untuk dikelompokan, maka tiap

kelompok memiliki n/5anggota. Diberi nilai n=500 data, sehingga pembagiannya

iyalah:

Kelompok 1: data statistik ke 1-100





Gambar 2.1 Pembagian data statistic pemain ke dalam 5 kelompok data

Data masukan dipisah untuk memastikan tidak ada data yang sama,

Pemrosesan dengan data yang sama dapat terjadi ketika data masukan sangat banyak.

Jika data yang sama diproses dalam training dan testing, maka nilai validasi terhapat

evaluasi akan berkurang, walaupun nilai akurasi akan meningkat.

Gambaran langkah evaluasi dengan metode 5-fold cross validation dapat

dilihat dalam gambar 2.5. Masing-masing mewakili satu kelompok data. Tiap satu

1 2 3 4 5 1 2 3 4


18

1 2 4 5 3

Training Testing

1 3 4 5 2

Training Testing

1 2 3 4 5

Training Testing

kelompok data akan bergantian menjadi training dan testing.

Pengujian pertama:

Gambar 2.2 Metode Evaluasi 5 Cross Validation pengujian 1

Pengujian kedua:

Gambar 2.3Metode Evaluasi 5 Cross Validation pengujian 2

Pengujian ketiga:



19

5 2 3 4 1

Training Testing

1 2 3 5 4

Training Testing

Pengujian keempat:


Pengujian lima:

Gambar 2.6 Metode Evaluasi 5 Cross Validation Pengujian 5


20

BAB III

ANALISA DAN PERANCANGAN SISTEM

3.1. Analisa Sistem

Pemain sepakbola akan bermain maksimal atau bagus jika pemain tersebut

berada pada posisi yang tepat (sesuai kemampuan). Untuk itu pada Tugas Akhir ini

dikembangkan sebuah perangkat lunak yang akan membantu user (pelatih) untuk

mengetahui posisi yang tepat/sesuai dengan kemampuan para pemainnya. Dengan

menggunakan algoritma K-means Clustering, perangkat lunak ini akan

mengelompokan posisi para pemain berdasarkan track record pertandingan.

Pengukuran jarak atau kemiripan pada proses K-means clustering dalam sistem ini

menggunakan cosine similarity. Kemiripan tertinggi antara centroid dengan data yang

akan terpilih sebagai cluster data tersebut.

Pada sistem ini dibutuhkan data yang telah terlabeli posisinya sebagai data

training. Untuk selanjutnya dilakukan proses dengan menggunakan algoritma kmeans

clustering sehingga mendapatkan centroid model. Dari centroid model yang didapat

dibandingkan untuk dijadikan penentuan posisi pemain pada data testing. Melalui

sistem ini di harapkan mampu memberikan referensi tambahan maupun solusi yang

baik untuk mengatasi permasalahan yang ada dalam penempatan posisi pemain

terhadap user (pelatih).


21

Data input harus sesuai harus terurut sesuai pada sistem. Input yang diterima

sistem ada 2 jenis. Pertama inputan untuk data training yang berfungsi untuk

membentuk centroid model pada awal proses. Inputan ini juga digunakan pada input

data group dengan label. Kedua, inputan untuk data tanpa label.

Tabel 3.1. Data input Data Training. Tabel 3.2. Data input Data tanpa label

No Urutan

Kolom

Nama Atribut

1 Id_Player

2 Game Started

3 Goals

4 Shots

5 Shots on Goal

6 Assist

7 Fouls Committed

8 Fouls Sufferred

9 Yellow Card

10 Red Card

11 Position

Untuk memberikan nilai dalam skala yang sama disetiap record data pemain,

maka data akan diubah ke nilai per pertandingan dengan membagi nilai atribut goals,

shots, shots on goal, assist, fouls committed, fouls sufferred, yellow card, red card

dengan atribut games started. Nilai tersebut akan dipakai dalam program untuk

perhitungan maupun yang akan ditampilkan.

No Urutan

Kolom

Nama Atribut

1 Id_Player

2 Nama

3 Game Started

4 Goals

5 Shots

6 Shots on Goal

7 Assist

8 Fouls Committed

9 Fouls Sufferred

10 Yellow Card

11 Red Card


22

3.1.1 Data Training dan Data Testing

Start

Pemasukan Data

Training

Pembentukan

Centroid Tiap

Cluster

Simpan Data

Centroid/ Model

End

Start

Pemasukan Data

Testing

Ambil Data

Centroid Model

Penentuan Posisi

Pemain

End

Gambar3.1 Data Training Gambar 3.2 Data Testing

Proses pertama adalah pemasukan data training dilakukan sebelum data

testing. Pemasukan data training dalam sistem ini untuk memperoleh

model/centroid. Pada proses pembentukan centroid tiap cluster dapat dilihat pada

gambar 3.3. Dari centroid yang telah didapat pada proses data training

digunakan pada data testing. Pemasukan data testing akan dikelompokan

berdasarkan hasil pemodelan dari data training yang terbentuk. Dari proses

tersebut akan menghasilkan penentuan posisi pemain.


23

3.1.2. Detail Pembentukan Centroid TiapPosisi/Cluster

Start

Hitung Jarak/

Kemiripan

Tentukan

Kelompok

Hitung Centroid

Baru

Centroid

Sama?

Tentukan

Centorid/ ModelEnd

Ya

Tidak

K=3

3 Centroid acak

Gambar 3.3 Flowchart Detail Centroid


24

Flowchart ini merupakan penjelasan dari pembentukan centroid tiap

cluster yang ada pada proses flowchart data training sebelumnya. Pada flowchart

pembentukan centroid menggunakan alur algoritma kmeans clustering. Proses

tersebut berjalan setelah data diinputkan. Centroid acak akan di ambil 3 karena

pada data yang digunakan terbagi k dalam 3 kategori posisi. Dari 3 centroid acak

yang di dapat akan dilakukan pengukuran kemiripan dengan data menggunakan

cosine similarity. Rentang nilai kemiripan berada pada nilai 0-1. Kemiripan

tertinggi dari antara centroid cluster akan dipilih sebagai cluster yg paling tepat.

Setelah data dihitung kemiripannya semua akan dihitung nilai centroid baru.

Data setiap cluster akan dihitung nilai rata-ratanya sebagai nilai centroid baru.

Akan dibandingkan centroid lama dengan centroid baru apakah nilai sama atau

berbeda. Untuk hasil berbeda akan dilakukan perhitungan ulang seperti pada

flowchart, yang berarti jumlah iterasi bertambah. Perhitungan akan terus

berulang sampai centroid lama dan centroid baru sama, atau dengan tidak adanya

perpindahan data. Dengan begitu akan diambil centroid terakhir untuk di jadikan

centroid model yang nantinya sebagai centroid untuk di hitung dengan data

testing yang di masukan.


25

3.2. Pelabelan

3.2.1. Pelabelan Data Training

Start

Sorting

Ascending

5% data dalam

cluster > 3?

ambil 5% data

dalam cluster

teratas

End

Ya

Tidak

Isi Cluster(3)

Ambil 3 data

dalam cluster

teratas

Tentukan Label

Gambar 3.4 Pelabelan data training.

Proses pelabelan data training mengambil prinsip k-nearest

neighbor(KNN) yang perlu menentukan nilai dari parameter K (jumlah dari

tetangga terdekat) untuk nilai prediksi. Dari cluster dengan titik centroidnya,

akan ditemukan sejumlah K objek (titik training) yang paling dekat dengan


26

centroid. Pengelompokan menggunakan jumlah terbanyak diantara beberapa

anggota cluster terdekat dengan centroid tersebut. Penggunaan angka 5%

merupakan nilai pembelajaran/experimental sesuai dengan prinsip k-nearest

neighbor. Jumlah kategori/label hanya tiga dan data pada setiap clusternya yang

banyak membuat variasi data secara jumlah kurang. Dengan banyaknya jumlah

data yang masuk kedalam cluster bisa terjadi jumlah antar posisi sama dalam

satu cluster. Selain itu antar cluster jumlah posisi terbanyak bisa terjadi dimiliki

satu posisi yang sama. Dengan kata lain pada proses pelabelan bisa terjadi label

ganda. Maka dengan pengambilan sejumlah data terdekat(5% data dalam cluster

atau 3 data) yang memiliki tingkat kemiripan yang tinggi dengan centroid dinilai

mampu mewakili data dalam cluster.

Data per cluster akan dilakukan sorting ascending dengan menggunakan

bubblesort. Setelah data terurut, diambil beberapa data teratas atau data yang

memiliki kemiripan tinggi dengan centroid untuk dipakai posisinya sebagai label

pada masing-masing cluster. Untuk pengambilan data teratas/terdekat berjumlah

5% dari jumlah data masing-masing cluster. Jika 5% dari jumlah data per cluster

kurang dari 3, maka data minimal yang akan diambil 3 data.


27

3.2.1. Pelabelan Data Testing

Start

Tentukan Label

End

Hitung Kemiripan

K=3

Ambil Kemiripan

Tertinggi

Gambar 3.5 Pelabelan Data Testing.

Untuk pelabelan pada proses testing ditentukan dengan mengukur jarak

atau kemiripan data dengan centroid dari cluster-cluster pada proses training

sebelumnya. Dari proses training setiap cluster memiliki posisi masing-masing.

Pengukuran data tersebut memiliki kemiripan lebih tinggi ke salah satu cluster.

Label akan ditentukan dari cluster tersebut memiliki posisi apa.


28

3.3. Perancangan Sistem

3.3.1 Aktor

Dalam aplikasi pengelompokan Posisi Pemain Sepakbola tidak memakai

administrator, sehingga hanya user:

Aktor Hak Akses

Pengguna (User) Pembentukan centroid tiap cluster/ create

centroid model.

Group Dengan Label.

Group Tanpa Label

Personal.

3.3.2. Diagram Use Case

User

Gambar 3.6 Diagram Use Case

3.3.3. Tabel Use Case

Tabel 3.2 Use Case

No Nama Use Case Deskripsi use case Aktor

1 Pembentukan

Centroid tiap Cluster

(Model)

Use case ini menggambarkan

proses dimana user

memasukkan data training ke

User

Pembentukan

Centroid Tiap

Cluster

Group tanpa

label

Personal

Group dengan

label


29

sistem. Data training kemudian

diolah sistem untuk membuat

Model centroid tiap cluster.

2 Group dengan label Use case ini menggambarkan

proses untuk memasukkan

lebih dari satu data testing yang

memiliki label sebelumnya ke

sistem dan melakukan

pelabelan melalui sistem.

User

3 Group tanpa Label Use case ini menggambarkan

proses untuk memasukkan

lebih dari satu data testing yang

tidak memiliki label

sebelumnya ke sistem dan

melakukan pelabelan melalui

sistem.

User

4 Personal Use case ini menggambarkan

proses untuk memasukkan data

tunggal testing ke sistem dan

melakukan pelabelan.

User

3.3.4. Narasi Use case

Setiap usecase pada bagian sebelumnya akan dirinci dalam sebuah

narasi yang merupakan deskripsi tekstual dari kejadian bisnis dan bagaimana

pengguna berinteraksi dengan sistem untuk menyelesaikan tugas tersebut.

Narasi Use case Pembentukan Centroid tiap Cluster

Penulis: A. Cahyo Ridho Nugroho Tangal: 23

Desember 2010

Versi: 1.0

Nama Use-case: Pembentukan

Centroid tiap Cluster Jenis Use-Case

Kebutuhan Bisnis:

ID Use-case:

Prioritas: Tinggi

Sumber: -

Pelaku Bisnis

Utama:

User

Pelaku Lain

yang Terlibat

-


30

Pihak Lain

yang

Berkepentingan

-

Deskripsi: Use case ini menggambarkan proses memasukkan

data training ke sistem. Data training digunakan

untuk membuat Model centroid tiap cluster.

Kondisi Awal: Admin telah masuk ke halaman Home

Pemicu: Use case ini digunakan apabila User ingin

memasukkan data taining ke dalam sistem dan

membuat model.

Urutan

Aktifitas

Normal :

Actor Action System Response

Langkah 1:

User menekan tombol

“Entry data”

Langkah 3:

User menekan tombol

“Browse”

Langkah 5:

User memilih file

data yang akan

dipilih, kemudian

user menekan tombol

”Open”

Langkah 2: Sistem membuka

halaman Create

Langkah 4:

Sistem membuka

halaman Browse (file

selector)

Langkah 6:

Sistem membuka file

data yang dipilih.

Langkah 7: Sistem

menampilkan pesan

bahwa data telah

berhasil dimasukkan.


31

Langkah 8: User menekan tombol

“Proses”

Langkah 9:

Sistem membuat

centroid model.

Langkah 10:

Sistem menampilkan

pesan bahwa model

centroid telah

terbentuk.

Aktifitas

Alternatif :

Langkah Alternatif 1:

Untuk batal atau kembali ke halaman home, user

dapat menekan tombol “Home”

Kesimpulan: Dalam proses ini user dapat melakukan proses input

data training dan membuat model Centroid

Kondisi Akhir: User berhasil memasukkan data training dan model

centroid telah dibuat.

Prosedur

Bisnis:

User harus memilih file data input yang benar.

Batasan

Implementasi

dan Spesifikasi

Data yang diinputkan harus sesuai format.

Narasi Use case Group Dengan Label

Penulis: A. Cahyo Ridho Nugroho

Tangal: 23

Desember 2010

Versi: 1.0

Nama Use-case: Group Jenis Use-Case

Kebutuhan Bisnis:

ID Use-case:

Prioritas: Tinggi

Sumber: -

Pelaku Bisnis

Utama:

User

Pelaku Lain

yang Terlibat

-

Pihak Lain -


32

yang

Berkepentingan

Deskripsi: Use case ini menggambarkan proses untuk

memasukkan data testing yang memiliki label ke

sistem dan melakukan pelabelan.

Kondisi Awal: - User telah melakukan pembentukan model centroid

- User telah masuk ke halaman modelForm

Pemicu: Use case ini digunakan apabila user ingin

memasukkan data testing yang memiliki label ke

dalam sistem dan melakukan pelabelan data.

Urutan

Aktifitas

Normal :


Langkah 1:

User menekan tombol

“Group Dengan

Label”

Langkah 3:

User menekan tombol

“Browse”

Langkah 5:

User memilih file

data yang akan

dipilih, kemudian

user menekan tombol

”Open”


halaman Group

Langkah 4:

Sistem membuka

halaman Browse

Langkah 6:

Sistem membuka file

data yang dipilih.

Langkah 7: Sistem

menampilkan pesan

bahwa data telah



33


“Proses”

Langkah 9:

Sistem melakukan

proses pelabelan posisi

pemain.

Aktifitas

Alternatif :


Untuk batal atau kembali ke halaman Model, user

dapat menekan tombol “BACK”


User menekan tombol “Group Tanpa label” untuk

menampilkan menampilkan halaman Group Dengan

Label.


User menekan tombol “Personal” untuk menampilkan

menampilkan halaman Personal.


User menekan tombol “Simpan” untuk menyimpan

data yang telah terproses.

Kesimpulan: Semua pengguna berhasil memasukkan data testing

dan telah dilakukan pengelompokan posisi pemain.

Kondisi Akhir: User berhasil memasukkan data testing dan

pengelompokan posisi pemain.

Prosedur

Bisnis:

User harus mengisi semua data input yang benar.

Batasan

Implementasi

dan Spesifikasi


Narasi Use case Group Tanpa Label


Tangal: 23

Desember 2010

Versi: 1.0

Nama Use-case: Group Jenis Use-Case

Kebutuhan Bisnis:

ID Use-case:

Prioritas: Tinggi

Sumber: -

Pelaku Bisnis

Utama:

User

Pelaku Lain -


34

yang Terlibat

Pihak Lain

yang

Berkepentingan

-


memasukkan data testing tanpa label ke sistem dan

melakukan pelabelan.




memasukkan data testing tanpa label ke dalam sistem

dan melakukan pelabelan data.

Urutan

Aktifitas

Normal :


Langkah 1:

User menekan tombol

“Group Tanpa Label”

Langkah 3:

User menekan tombol

“Browse”

Langkah 5:

User memilih file

data yang akan

dipilih, kemudian

user menekan tombol

”Open”


halaman Group Tanpa

Label

Langkah 4:

Sistem membuka

halaman Browse

Langkah 6:

Sistem membuka file

data yang dipilih.

Langkah 7: Sistem

menampilkan pesan

bahwa data telah



35


“Proses”

Langkah 9:

Sistem melakukan


pemain.

Aktifitas

Alternatif :


Untuk batal atau kembali ke halaman Model, user

dapat menekan tombol “Back”


User menekan tombol “Group Dengan label” untuk


Label.

Langkah Alternatif 3: User menekan tombol “Personal” untuk menampilkan

menampilkan halaman Personal.


User menekan tombol “Simpan” untuk menyimpan

data yang telah terproses.





Prosedur

Bisnis:


Batasan

Implementasi

dan Spesifikasi


Narasi Use case Personal


Tangal: 23

Desember 2010

Versi: 1.0

Nama Use-case: Personal Jenis Use-Case

Kebutuhan Bisnis:

ID Use-case:

Prioritas: Tinggi

Sumber: -

Pelaku Bisnis

Utama:

User


36

Pelaku Lain

yang Terlibat

-

Pihak Lain

yang

Berkepentingan

-


memasukkan data testing ke sistem dan melakukan

pelabelan.




memasukkan data testing ke dalam sistem dan

pengelompokan.

Urutan

Aktifitas

Normal :


Langkah 1:

User menekan tombol

“Personal”

Langkah 3:

User mengisikan

semua atribut data

pemain.

Langkah 4:

User menekan tombol

“Proses”


halaman Personal

Langkah 5:

Sistem melakukan


pemain.

Aktifitas

Alternatif :


Untuk batal atau kembali ke halaman, user dapat

menekan tombol “Back”


User menekan tombol “Group Dengan Label” untuk


Label.


37





Prosedur

Bisnis:


Batasan

Implementasi

dan Spesifikasi


3.3.5 Diagram Aktivitas

Diagram aktivitas merupakan diagram yang menjelaskan aktivitas user

dengan program.


38

a) Pembentukan Centroid tiap Cluster

User System

Klik Tombol Entry Data

Menampilkan halamanBROWSE (file selector)

Klik tombol Browse

Menampilkan dialog box, file telah diinputkan

Menampilkan halaman Create

Pilih file yang sesuai

Klik tombol open

Klik tombol ProsesMenampilkan dialog box, Model

Centroid telah terbentuk.

Klik tombol Home

Klik tombol Testing

Menampilkan Halaman Home

Menampilkan halaman Model

Gambar 3.7 Diagram Activity Pembentukan Centroid Tiap Cluster


39

b) Group Dengan Label

User System

Klik Tombol Group Dengan Label


Klik tombol Browse


Menampilkan halaman Group

Klik file yang sesuai

Klik tombol open

Klik tombol Proses Menampilkan posisi pemain

Klik tombol Group Tanpa Label

Klik tombol View Detail

Menampilkan Halaman Group Tanpa Label

Menampilkan halaman View Detail

Klik tombol Personal Menampilkan halamanPersonal

Gambar 3.8 Diagram Activity Group Dengan Label.


40

c) Group Tanpa Label

User System

Klik Tombol Group Tanpa Label


Klik tombol Browse


Menampilkan halaman Group Tanpa Labeli

Klik file yang sesuai

Klik tombol open

Klik tombol Proses Menampilkan posisi pemain

Klik tombol Group Dengan Label

Klik tombol View Detail

Menampilkan Halaman Group

Menampilkan halaman View Detail NonLabel

Klik tombol Personal Menampilkan halaman Personal

Gambar 3.9 Diagram Activity Group Tanpa Label.


41

d) Personal

User System

Klik Tombol Personal

Menampilkan posisi pada jText

Isi setiap atribut-atribut pemain pada jText

Menampilkan halaman Personal

Klik tombol Reset

Klik tombol Proses

Klik tombol Group dengan Label

Klik tombol Group dengan Label

Menampilkan Halaman Group tanpa label

Menampilkan Halaman Group denga Label

Gambar 3.10 Diagram Activity Personal

3.3.6. Model Analisis

Model analisis adalah salah satu proses untuk menterjemahkan skenario

usecase menjadi kelas analisis. Dalam kelas analisis terdapat tiga jenis, yakni

form/bonery, controller dan entitas. Bentuk model analisis merupakan kelas

analisis.


42

a) Realisasi Use Case Pembentukan Centroid

Kelas Analisis

Tabel 3.3 Kelas Analisis Pembentukan Centroid

No Nama Kelas Tipe Deskripsi

1 HomeForm Interface /

Boundary

Kelas ini berfungsi untuk

menyediakan fungsi

penampilan Halaman Home

2 createForm Interface /

Boundary


menyediakan fungsi

penampilan Create Form

3 ClusterCentroid Controler Kelas ini berfungsi untuk fungsi

sebagai fungsi K-mean dan

controler.

4 Cluster Entity Kelas ini berfungsi untuk

menyimpan atribut cluster,

menghitung similarity dan

mengset centroid baru.

5 Centroid Entity Kelas ini berfungsi untuk

menyimpan atribut centroid.

6 Player Entity Kelas ini berfungsi untuk

menyimpan atribut player.

7 BubbleSort Entity Kelas ini berfungsi

mengurutkan datamenggunakan

bubble sort.


43

Dinamika Obyek

Halaman Home Halaman Browse Halaman Testing

View1. Aktor menekan

tombol BrowseTekan tombol Browse

Sistem Border

Data

setData

Player

Data

Similarity

data pemain

ClusterCentroid Centroid

setCentroid

Centroid

2. Aktor Menekan

tombol Proses

Menekan Tombol Proses

Data

Cluster

getSimilarity

Centroid Random

Hitung CentroidSimpan

BubbleSort

Label

Gambar 3.11 Sequence Pembentukan Centroid tiap Cluster

b) Realisasi Use Case Penentuan Posisi Group Dengan Label

Kelas Analisis


1 modelForm Interface /

Boundary


menyediakan fungsi

penampilan modelForm.

2 GoupForm Interface /

Boundary


menyediakan fungsi

penampilan groupForm.

3 ClusterCentroid Entity Kelas ini berfungsi untuk


44

Tabel 3.4 Kelas Analisis Penentuan Posisi group

Dinamika Obyek

Halaman Testing Halaman Group Player


tombol Group Klasifikasi

3. Aktor menekan

tombol Proses


Tekan tombol Group

Sistem Border

Label

setData

CulsterCentroid

getSimilarity

Similarity

Data

Cluster Centroid

panggil

Centroid

2. Aktor Menekan

tombol browse

Menekan Browse

Data

Gambar 3.12 Sequence Penentuan Posisi Group Dengan Label.

menjalankan fungsi Kmeans


menyimpan atribut cluster.


menyimpan atribut centroid


menyimpan data player


45

c) Realisasi Use Case Penentuan Posisi Group Tanpa Label

Kelas Analisis

Tabel 3.5 Kelas Analisis Penentuan Posisi group


1 modelForm Interface /

Boundary


menyediakan fungsi

penampilan modelForm.

2 GoupNonLabelForm Interface /

Boundary


menyediakan fungsi

penampilan form group tanpa

label.

3 ClusterCentroid

Entity Kelas ini berfungsi untuk

menjalankan fungsi Kmeans


menyimpan atribut cluster..




menyimpan data player


46

Dinamika Obyek

Halaman Testing Halaman Group Player


tombol Group Klasifikasi

3. Aktor menekan

tombol Proses


Tekan tombol Group

Sistem Border

Label

setData

CulsterCentroid

getSimilarity

Similarity

Data

Cluster Centroid

panggil

Centroid

2. Aktor Menekan

tombol browse

Menekan Browse

Data

Gambar 3.13 Sequence Penentuan Posisi Group Tanpa Label.

d) Realisasi Use Case Penentuan Posisi Personal

Kelas Analisis


1 ModelForm

Interface /

Boundary


menyediakan fungsi

penampilan modelForm


47

Tabel 3.6 Sequence Penentuan Posisi Personal

Dinamika Obyek

Halaman Testing Halaman Personal Player


tombol Personal

Klasifikasi

3. Aktor menekan

tombol Proses

Menekan Tombol Personal

Tekan tombol Personal

Sistem Border

Label

setData

CulsterCentroid

getSimilarity

Similarity

Data

Cluster Centroid

panggil

Centroid

2. Aktor

Mengisi Data

Mengisi data

Gambar 3.14 Sequence Penentuan Posisi Personal

2 PersonalForm Interface /

Boundary


menyediakan fungsi

penampilan form Personal.

3 ClusterCentroid Controller Kelas ini berfungsi untuk

menjalankan K-means dan

controller.


menyimpan atribut cluster.




menyimpan data-data pemain


48

3.3.7. Diagram Kelas Keseluruhan

ClusterCentroid

PersonalForm

GroupDenganLabe

lForm

ModelForm

Player

ViewModel

Centroid

Cluster

CreateForm

PieChart

ViewDetail

HomeForm

Tools

BubbleSort

GroupTanpaLabel

FormhelpForm

aboutForm

ViewDetailNon

LabelForm

Gambar 3.15. Diagram Kelas Keseluruhan.

3.4 Rancangan Interface

Bagian ini akan menjelaskan tentang user interface yang akan

diimplementasikan pada program.

3.4.1. Halaman Home

Halaman home ini merupakan tampilan awal program, untuk membuat

Centroid dengan menekan tombol Entry Data dan akan menuju halaman

create seperti gambar 3.15. Untuk mencari bantuan penggunaan program

dengan menekan tombol help. Untuk mengetahui tentang detail program

dengan menekan tombol About dan untuk keluar bisa menekan tombol exit.


49

Gambar 3.16 Halaman Home

3.4.2. Halaman Create

Halaman ini digunakan untuk membuat model centroid dengan cara

menekan tombol browse untuk mengambil data kemudian menekan tombol

proses dan dari data yang diinputkan akan terbentuk centroid modelnya.

Setelah proses selesai, untuk memasukan data testing dengan menekan tombol

testing. Untuk kembali ke halaman home tekan tombol home.


50

Gambar 3.17 Halaman Create

3.4.3. Halaman Model

Halaman ini untuk menampilkan nilai centroid yang terbentuk dari

tiap posisi. Untuk melihat detail dari isi salah satu cluster dengan cara

memilih cluster yang dinginkan kemudian menekan tombol detail, sehingga

akan muncul halaman seperti pada gambar 3.23. Melihat grafik pie chart

clustering keseluruhan tekan tombol grafik. Untuk mengelompokan posisi

dari data berjumlah banyak dengan menekan tombol group dengan label untuk

yang memiliki label awal dan tombol group tanpa label untuk data yang tidak

memiliki label. Untuk mengelompokan data tunggal dengan menekan tombol

personal. Sedangkan membuat model centroid lain dapat dengan menekan

tambol create new centroid. Untuk kembali ke halaman home dengan

menekan tombol home.


51

Gambar 3.18 Halaman Model

3.4.4. Halaman Group (dengan label)

Halaman ini digunakan untuk membuat label atau pengelompokan

pada data testing dengan cara menekan tombol browse untuk mengambil data

dan menekan tombol Proses untuk memproses data. Tombol simpan

digunakan untuk menyimpan hasil proses pelabelan data yang disimpan ke

dalam format .csv. Untuk melihat detail dari pelabelan dapat memilih salah

satu posisi kemudian tekan tombol view. Untuk mengelompokan posisi dari

data berjumlah banyak dengan menekan tombol group tanpa label untuk data

yang tidak memiliki label.Untuk melakukan pelabelan data tunggal dapat

menekan tombol Personal. Sedangkan tombol back digunakan untuk kembali

ke halaman model.


52

Gambar 3.19 Halaman Group

3.4.5. Halaman Group Dengan Label

Pada halaman ini berfungsi sama dengan halaman group, hanya saja

input data testing pada halaman ini data tidak memiliki label. Pelabelan

dengan cara menekan tombol browse untuk mengambil data dan menekan

tombol Proses untuk memproses data. Tombol simpan digunakan untuk

menyimpan hasil proses pelabelan data yang disimpan ke dalam format .csv.

Untuk melihat detail dari pelabelan dapat memilih salah satu posisi kemudian

tekan tombol view. Untuk mengelompokan posisi dari data berjumlah banyak

dengan menekan tombol group dengan label untuk data yang memiliki

label.Untuk melakukan pelabelan data tunggal dapat menekan tombol

Personal. Sedangkan tombol back digunakan untuk kembali ke halaman

model.


53

Gambar 3.20 Halaman Group Tanpa Label.

3.4.6. Halaman Personal

Halaman ini digunakan untuk membuat pelabelan terhadap data

tunggal dengan cara memasukan nilai pada setiap atribut yang dimiliki pemain

kemudian menekan tombol proses untuk melihat hasil pelabelan. Tombol

detail berfungsi sama dengan tombol detail pada halaman model, untuk

melihat isi cluster pada setiap posisi pada data training. Sedangkan tombol

group dengan label untuk yang memiliki label awal dan tombol group tanpa

label untuk data yang tidak memiliki label.


54

Gambar 3.21 Halaman Personal.

3.4.7. Halaman View Model

Halaman ini untuk melihat detail tiap cluster posisi yang terbentuk

pada data training. Untuk menutup halaman ini dengan menekan tombol

close.

Gambar 3.22 Halaman ViewModel


55

3.4.8. View Detail Form

Halaman ini untuk melihat data yang masuk kedalam suatu cluster

pada data testing. Dari halaman group, setelah data terlabeli maka bisa melihat

isi cluster tersebut. Untuk menutup halaman ini dengan menekan tombol

close.

Gambar 3.23. Halaman View detail

3.4.9. View Detail Non Label Form

Halaman ini untuk melihat data yang masuk kedalam suatu cluster

pada data testing. Dari halaman group tanpa label, setelah data terlabeli maka

bisa melihat isi cluster tersebut melalui. Untuk menutup halaman ini dengan

menekan tombol close.


56

Gambar 3.24 Halaman View detail non label

3.4.10. Grafik

Halaman ini untuk menampilkan grafik pie chart yang berisi pembagian data

training setelah centroid didapat.

Gambar 3.25. Halaman Grafik


57

3.4.11. Halaman Help dan Halaman About

Halaman ini untuk menampilkan halaman help, yang berisi petunjuk

penggunaan program. Sedangkan halaman about ini untuk menampilkan

tentang detail program.

Gambar 3.26 Halaman Help

Gambar 3.27 Halaman About.


58

3.5. Metode Evaluasi 5 Cross Validation

Langkah evaluasi merupakan langkah pengujian akurasi pengelompokan

posisi pemain. Langkah pengujian ini mengunakan 5 cross validation. Cara

pengujiannya menggunakan cara sebagai berikut:

1. Penentuan 5 kelompok data.

Terdapat 719 data pemain sepakbola yang akan dibagi menjadi 5 kelompok.

Dan diberi label A, B, C, D dan E.

Gambar 3.28 Pengelompokan Data Untuk Proses Evaluasi

2. Pengujian Akurasi

Pengujian akurasi dilakukan dengan 2 cara, yaitu langkah training dan testing.

Langkah training dikenali untuk membentuk centroid model. Langkah testing

digunakan untuk mengelompokan posisi. Dalam satu kali pengujian, terdapat

5 set training dan testing.

3. Penghitungan Akurasi

Angka akurasi dapat dihitung dengan cara menghitung jumlah posisi yang

sesuai. Penghitungan ini dilakukan dengan cara membandingkan data hasil

testing dengan data testing. Kemudian dibagi dengan jumlah data penguji

dikali 100%.

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝐷𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔

𝐽𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔 X 100 %……….Rumus 3

E A B C D


59

BAB IV

IMPLEMENTASI DAN ANALISIS SISTEM

Bab ini berisi tentang implementasi sistem yang dibuat berdasarkan analisa

dan perancangan yang telah dibuat pada tahap sebelumnya. Bab ini juga berisi

pengujian dan analisa sistem.

4.1 Implementasi

Dari kelas disain yang telah dibuat pada bab sebelumnya, telah

diimplementasikan. Berikut ini adalah bentuk implementasi dari desain kelas menjadi

implementasi file yang digunakan sistem yang telah dibuat.

Tabel 5.1. Implementasi File

UseCase Kelas Desain Implementasi File Jenis

Pembentukan

Centroid model

homeForm HomeForm.java Interface

createForm createForm.java Interface

Model Form Model Form.java Interface

Player Player.java Entities

ClusterCentroid ClusterCentroid .java Entities

Cluster Cluster .java Entities

Centroid Centroid .java Entities

Personal Model Form Model Form .java Interface

personalForm personalForm.java Interface


Player Player.java Entities

Cluster Cluster .java Entities

Centroid Centroid .java Entities

Group Dengan

Label

Model Form Model Form .java Interface

Groupfrorm groupForm.java Interface


60

4. 2. Implementasi Antar Muka

Setelah program berhasil dibuat, maka akan ditampilkan antar muka

dari program tersebut.

Hal-hal yang akan dibahas dalam bab ini antara lain hasil implementasi sistem

berupa hasil tangkapan antar muka sistem, pembahasan algoritma yang digunakan,

serta hasil penelitian. Bagian pertama membahas implementasi sistem. Pembahasan

ini disertai juga dengan penjelasan penggunaan tombol dan menu untuk setiap

halamannya. Pada bagian kedua akan membahas tentang algoritma beserta

kompleksitasnya. Sedangkan bagian terakhir membahas hasil peniltitan program

dengan menganalisa percobaan yang telah dilakukan.

4.2.1 Halaman Home

Pada halaman home, terdapat identitas dan tujuan pembuatan program

Pengelompokan Posisi Pemain Sepakbola dengan Menggunakan

Algoritmas K-means Clustering. Selain itu ada 4 menu button, yaitu:

1. Menu Button Entry Data

Menu yang berfungsi menampilkan halaman Create yang untuk

input data training.

Player player.java Entities


Centroid Centroid.java Entities

Cluster Cluster.java Entities

Group Tanpa

Label

Model Form Model Form .java Interface

GroupNonLabelfrorm groupNonLabelForm.java Interface

Player player.java Entities


Centroid Centroid.java Entities

Cluster Cluster.java Entities


61

2. Menu Button Help

Menu yang berfungsi menampilkan halaman Help.

3. Menu Button About

Menu yang berfungsi menampilkan halaman About.

4. Menu Button Exit

Menu yang berfungsi untuk keluar dari program.

Gambar 4.1.Halaman Home


62

Gambar 4.2. Halaman Create (sebelum data diinputkan)

Gambar 4.3 Kotak file selector untuk mengambil data


63

Gambar 4.4. Pemberitahuan file sudah diinputkan

Gambar 4.5.Halaman Create (setelah data diinputkan)

Gambar 4.6. Pemberitahuan file telah selesai di-proses(setelah user menekan tombol

proses)


64

Halaman Create merupakan halaman yang berfungsi untuk membentuk

centroid yang dimasukan lewat tombol browse. User dapat memasukan file .csv

yang dipilih melalui jendela file selector (Gambar 4.3.) yang muncul setelah

tombol browse ditekan. Setelah file telah dipilih dan user menekan tombol

open, maka akan muncul kotak pemberitahuan bahwa file yang dipilih telah

diinputkan.

Setelah file selesai diinputkan, user harus menekan tombol proses untuk

mengolah data agar siap diproses oleh program. Akan muncul kotak

pemberitahuan jika centroid telah terbentuk.

Untuk memasukan data yang akan dilabeli(data testing), user dapat

menekan tombol testing. Sebagai proses selanjutnya.

4.2.2 Halaman Model

Halaman Model merupakan halaman yang menampilkan centroid cluster

pada tiap posisi yang telah dibentuk. Untuk melihat tiap posisi atau cluster, user

dapat memilih cluster tersebut kemudian menekan tombol detail sedangkan

menampilkan grafik persentase jumlah data training pada 3 cluster dengan

menekan tombol grafik. Tombol Personal digunakan untuk menuju halaman

personal. Tombol Group dengan label digunakan untuk menuju halaman Group

yang pada data awalnya telah memiliki label. Sedangkan untuk pelabelan data

yang tidak memiliki label dengan menekan tombol Group tanpa labelUntuk

ganti nilai centroid atau akan menginputkan data lain user dapat menekan

tombol create new centroid. Sedangkan tombol home digunakan untuk menuju

ke halaman home.


65

Gambar 4.7.Halaman Model

Gambar 4.8.Halaman View Detail(untuk melihat data yang masuk kedalam salah satu cluster).


66

Gambar 4.9.Halaman Grafik.

4.2.3 Halaman Group (dengan label)

Gambar 4.10.Halaman Group


67

Gambar 4.11. File selector untuk memilih file yang akan dikelompokan.

Gambar 4.12. Pemberitahuan File telah diinputkan


68

Gambar 4.13Halaman Group ( Setelah file diinputkan)

Gambar 4.14 .Halaman Group ( Setelah file diproses)


69

Gambar 4.15 File selector untuk menyimpan file yang telah terproses(.csv)

Gambar 4.16 View Detail(isi data pemain yang masuk pada salah satu cluster)

Halaman group adalah halaman yang berfungsi untuk melakukan

pengelompokan dengan data yang banyak. Cara melakukan pengelompokan

dengan cara menekan tombol browse untuk memasukkan data yang akan

dikelompokan. File yang akan dikelompokan dapat dipilih melalui file selector.

Kotak pemberitahuan akan muncul setelah data/file berhasil dimasukkan.

Kemudian user dapat menekan tombol proses untuk melakukan


70

pengelompokan, maka posisi pemain yang sebelumnya kosong akan terisi

dengan posisi yang sesuai. Tombol view digunakan untuk melihat hasil

pengelompokan dari data yang d inputkan masuk ke dalam cluster mana dengan

memilih pada Jcombo box untuk sebelumnya. Tombol simpan digunakan untuk

menyimpan data inputan user yang telah terproses dengan extension .csv.

Tombol personal digunakan untuk ke halaman personal untuk memproses data

tunggal. Sedangkan tombol back digunakan untuk kembali ke halaman Model.

4.2.4 Halaman Group Tanpa Label

Gambar 4.17 .Halaman Group tanpa label.


71

Gambar 4.18 .Halaman Group tanpa label( Setelah file diproses)

Gambar 4.19 .HalamanView Detail Non label.

Pada halaman Group Tanpa Label memiliki fungsi sama dengan halaman Group. Yang

berbeda data inputan pada halaman ini tidak memiliki label.


72

4.2.5 Halaman Personal

Gambar 4.20.Halaman Personal

Gambar 4.21 .Halaman Personal (setelah memproses inputan data dari user)


73

Halaman personal adalah halaman yang berfungsi untuk

mengelompokan pemain secara tunggal atau satu data record. Cara

mengelompokkan adalah dengan memasukan nilai pada setiap atribut yang

dimiliki pemain sesuai kolom inputan yang tersedia dan menekan tombol

proses untuk mengetahui hasil pengelompokan. Tombol detail digunakan untuk

melihat kembali data yang masuk ke dalam cluster setiap posisi yang telah

terbentuk. Tombol reset berfungsi untuk mengulang kembali proses

pengelompokan. Tombol group digunakan untuk ke halaman group. Sedangkan

tombol back untuk kembali ke halaman Model.

4.2.6. Halaman About dan Help

Gambar 4.22 Halaman About.

Gambar 4.23 Halaman Help.


74

Halaman about merupakan halaman yang berfungsi menjelaskan detail

dari program. Untuk halaman help merupakan halaman yang berfungsi

menjelaskan langkah-langkah dalam pengunaan program.

4.3. Implementasi Program.

4.3.1. Input Data

if (!file.getName().endsWith(".csv")) {

JOptionPane.showMessageDialog(null, " Format File tidak Sesuai");

return null;

}

String cari = new Tools().readFile(file);

StringTokenizer rows = new StringTokenizer(cari);

Player players[] = new Player[rows.countTokens()];

for (int i = 0; i < rows.countTokens(); i++) {

players[i] = new Player();

}

int i = 0;

while (rows.hasMoreTokens()) {

String baris = rows.nextToken().replaceAll(",", " ");

StringTokenizer columns = new StringTokenizer(baris);

int j = 0;

if (columns.countTokens() != 11) {

JOptionPane.showMessageDialog(null, "Jumlah Kolom tidak

Sesuai");

return null;

}

while (columns.hasMoreTokens()) {

players[i].setId_player(Integer.parseInt(columns.nextToken()));

players[i].setGamesStarted(Double.parseDouble(columns.nextToken()));

players[i].setGoals(Double.parseDouble(columns.nextToken()));

players[i].setShots(Double.parseDouble(columns.nextToken()));

players[i].setShotsOnGoal(Double.parseDouble(columns.nextToken()));

players[i].setAssist(Double.parseDouble(columns.nextToken()));


75

players[i].setFoulsCommitted(Double.parseDouble(columns.nextToken()));

players[i].setFoulsSuffered(Double.parseDouble(columns.nextToken()));

players[i].setYellowCards(Double.parseDouble(columns.nextToken()));

players[i].setRedCards(Double.parseDouble(columns.nextToken()));

players[i].setPOSISI(columns.nextToken());

j++;

}

i++;

}

return players;

}

Data yang dimasukan user akan dilakukan pengecekan extension apakah

berupa .csv, jika data extension berbeda maka data tidak bisa diinput. Untuk

jumlah kolom hanya data dengan jumlah yang sesuai yaitu 11 yang bisa

diinputkan. Data pemain akan disimpan secara array pada players[]. Pemasukan

data juga menggunakan kelas tools untuk membaca data yang mengimport class

java.io. Data dibaca per tanda ”,” untuk memisahkan per atribut data pemain.

4.3.2. Centroid Random

List<Player> dataAcak = new ArrayList<Player>();

Player[] data = new Player[3];

int[] angkaRandom = new int[]{-1, -1, -1};

for (int i = 0; i < data.length; i++) {

int acak = new Random().nextInt(players.length);

boolean sama = false;

do {

acak = new Random().nextInt(players.length);

sama = false;

for (int j = 0; j < angkaRandom.length; j++) {

int k = angkaRandom[j];

if (k == acak) {

sama = true;

}

}


76

} while (sama == true);

angkaRandom[i] = acak;

System.out.println("acak= "+acak);

players[acak].setGoals(players[acak].getGoals());

players[acak].setShots(players[acak].getShots());

players[acak].setShotsOnGoal(players[acak].getShotsOnGoal());

players[acak].setAssist(players[acak].getAssist());

players[acak].setYellowCards(players[acak].getYellowCards());

players[acak].setRedCards(players[acak].getRedCards());

players[acak].setFoulsCommitted(players[acak].getFoulsCommitted());

players[acak].setFoulsSuffered(players[acak].getFoulsSuffered());

data[i] = players[acak];

}

Jumlah centroid yang dibuat sama dengan banyak klaster yaitu 3. Pusat

cluster awal diambil dari data secara random. Data yang akan dijadikan pusat

klaster terlebih dulu dicek sudah menjadi pusat cluster dikelas lain atau belum.

Jika sudah menjadi pusat cluster di klaster lain, maka sistem akan memilih data

lain untuk menjadi pusat cluster Sehingga jika sebuah data sudah menjadi pusat

cluster disalah satu cluster maka tidak akan menjadi pusat cluster di cluster

lain.

4.3.3. Proses Pengelompokan

clusters = new ClusterCentroid(data);

boolean proses = false;

do {

System.out.println("iterasi" + clusters.getIterasi());

System.out.println("");

for (Player p : dataPlayer) {

clusters.Proses(p);

}

clusters.setIterasi(clusters.getIterasi() + 1);

proses = clusters.stop();

if (!proses) {


77

clusters.Hapus();

}

} while (!proses);

.......

Proses pengelompokan sebagai proses pada data training untuk

membentuk centroid model. Set boolean proses bernilai false. Disini memakai

perulangan do while karena tidak mengetahui berapa proses berulang(iterasi).

Pertama seluruh data pemain akan dikirim ke method proses(listing program

dibawah). Dari proses ini untuk menempatkan pemain pada cluster-cluster.

Method stop() yang akan mendeklarasikan centroid yang sebelumnya

memanggil method cekSama() terlebih dahulu untuk mengecek centroid sama

atau tidak. Jika centroid tidak sama maka data pemain yang masuk ke dalam 3

cluster akan di hapus dan proses akan di ulang. Setiap proses berulang iterasi

akan diset bertambah.

4.3.4. Hitung Kemiripan

public void Proses(Player p) {

double temp = 0;

int idx = 0;

for (int i = 0; i < cluster.length; i++) {

System.out.println(cluster[i].getLabel() + "=" +

cluster[i].getSimilarity(p));

if (temp < cluster[i].getSimilarity(p)) {

temp = cluster[i].getSimilarity(p);

idx = i;

}

}

System.out.println(p.getPOSISI());

p.setSimilarity(temp);

cluster[idx].getPlayers().add(p);

System.out.println(cluster[idx].toString());

}

Proses menghitung kemiripan, menerima data pemain yang akan di


78

bandingkan dengan centroid cluster dengan mengirim data pemain ke method

getSimilarity(). Pengiriman data pemain sesuai jumlah cluster yaitu 3 dengan

perulang for. Data pemain akan dihitung dengan centroid cluster menggunakan

cosine similarity pada method getSimilarity(). Data pemain akan masuk

kedalam cluster dengan centroid tertinggi yang disimpan dengan array.

public double getSimilarity(Player player) {

double temp = 0;

double divide = 0, divider = 0;

divide =centroid.getGoals() * player.getGoals() + centroid.getAssist() *

player.getAssist() + centroid.getShots() * player.getShots() +

centroid.getShotsOnGoal() * player.getShotsOnGoal() +

centroid.getYellowCards() * player.getYellowCards() + centroid.getRedCards()

* player.getRedCards() +centroid.getFoulsCommitted() *

player.getFoulsCommitted() + centroid.getFoulsSuffered() *

player.getFoulsSuffered();

divider = Math.sqrt(Math.pow(centroid.getGoals(), 2) +

Math.pow(centroid.getAssist(), 2) + Math.pow(centroid.getShotsOnGoal(), 2) +

Math.pow(centroid.getYellowCards(), 2) + Math.pow(centroid.getRedCards(),

2) + Math.pow(centroid.getFoulsCommitted(), 2) +

Math.pow(centroid.getShots(), 2) + Math.pow(centroid.getFoulsSuffered(), 2))

*

Math.sqrt(Math.pow(player.getGoals(), 2) + Math.pow(player.getAssist(), 2) +

Math.pow(player.getShotsOnGoal(), 2) + Math.pow(player.getYellowCards(),

2) + Math.pow(player.getRedCards(), 2) +

Math.pow(player.getFoulsCommitted(), 2) + Math.pow(player.getShots(), 2) +

Math.pow(player.getFoulsSuffered(), 2));

temp = divide / divider;

return temp;

}

Mengambil data pemain dari kelas player dan centroid dari kelas

centroid untuk dihitung. Mengembalikan nilai temp sebagai nilai kemiripan.

Data pemain akan dihitung dengan semua centroid cluster untuk dipilih nilai

centroid tertinggi.


79

4.3.5. Cek Sama

public boolean cekSama(Centroid c) {

if (Assist == c.getAssist() && Goals == c.getGoals() && Shots ==

c.getShots() && ShotsOnGoal == c.getShotsOnGoal() && YellowCards ==

c.getYellowCards() && RedCards == c.getRedCards() && FoulsSuffered ==

c.getFoulsSuffered() && FoulsCommitted == c.getFoulsCommitted()) {

return true;

} else {

return false;

}

}

Cek sama bertipe boolean. Untuk mengetahui apakah ada centroid yang

berubah atau data yang berpindah. Jika centroid sama akan mengembalikan

nilai true dan iterasi akan berhenti.

4.3.6. Pelabelan

int i = 0;

BubbleSort bs = new BubbleSort();

while (clusters.getCluster().length > i) {

int x = 0;

List pfix = new ArrayList();

while (clusters.getCluster()[i].getPlayers().size() > x) {

Player p = clusters.getCluster()[i].getPlayers().get(x);

List Playerdata = new ArrayList();

Playerdata.add(p.getPOSISI());

Playerdata.add(p.getSimilarity());

pfix.add(Playerdata);

x++;

}

List temphasilSort = bs.sortinghasil(pfix);

double dataSorting;

int devider = 0;

int j = 0;

int m = 0, f = 0, d = 0;


80

dataSorting = clusters.getCluster()[i].getPlayers().size() * 0.05;

if (dataSorting > 3) {

if (dataSorting % 1 != 0) {

devider = (int) (Math.floor(dataSorting));

} else {

devider = (int) dataSorting;

}

} else {

devider = 3;

}

while (j < devider) {

List tempfix = (List) temphasilSort.get(j);

if (tempfix.get(0).toString().equalsIgnoreCase("Forward")) {

f++;

} else if (tempfix.get(0).toString().equalsIgnoreCase("Midfilder")) {

m++;

} else {

d++;

}

j++;

}

List data1 = new ArrayList();

data1.add("f");

data1.add(f);


data2.add("m");

data2.add(m);


data3.add("d");

data3.add(d);

List dd = new ArrayList();

dd.add(data1);

dd.add(data2);

dd.add(data3);

List datahasilbaru = bs.sortinghasil(dd);


81

List dat = (List) datahasilbaru.get(0);

if (dat.get(0).toString().equalsIgnoreCase("f")) {

clusters.getCluster()[i].setLabel("Forward");

} else if (dat.get(0).toString().equalsIgnoreCase("m")) {

clusters.getCluster()[i].setLabel("Midfilder");

} else {

clusters.getCluster()[i].setLabel("Defender");

}

i++;

System.out.println(dd);

System.out.println(datahasilbaru);

System.out.println(pfix);

}

if

((clusters.getCluster()[0].getLabel()).toUpperCase().equals(clusters.getCluster()

[1].getLabel().toUpperCase()) ||

(clusters.getCluster()[1].getLabel()).toUpperCase().equals(clusters.getCluster()[

2].getLabel().toUpperCase()) ||

(clusters.getCluster()[2].getLabel()).toUpperCase().equals(clusters.getCluster()[

0].getLabel().toUpperCase())) {

JOptionPane.showMessageDialog(null, "Terjadi Label ganda, silakan

ulangi proses");

} else {

JOptionPane.showMessageDialog(null, "Centroid telah terbentuk");

jButtonTesting.setEnabled(true);

}

i = 0;

while (clusters.getCluster().length > i) {

System.out.println("label: " + clusters.getCluster()[i].getLabel());

i++;

}

Pada proses pelabelan data training menggunakan method bubble sort

untuk mengurutkan data disetiap clusternya. Dari pengurutan bubble sort secara

ascending diterima urutan data dengan posisi yang nantinya akan menentukan


82

label cluster sesuai jumlah terbanyak dan urutan.

4.3.7. Grafik

public void tampilGrafik() {

String[] nama = new String[getCluster().length];

double[] nilai = new double[getCluster().length];

for (int i = 0; i < nama.length; i++) {

nilai[i] = getCluster()[i].getPlayers().size();

double persen = (nilai[i] / (cluster[0].getPlayers().size() +

cluster[1].getPlayers().size() + cluster[2].getPlayers().size())) * 100;

Double angkaBulat = new Double(persen);

BigDecimal bigDecimal = new BigDecimal(angkaBulat.toString());

BigDecimal hasilBulat = bigDecimal.setScale(2,

BigDecimal.ROUND_HALF_UP);

nama[i] = getCluster()[i].getLabel() + " \n" +

getCluster()[i].getPlayers().size() + " (" + hasilBulat + "%)";

}

pieChart a = new pieChart();

a.tampil(nilai, nama, "Grafik Klastering Keseluruhan");

}

Grafik menggunakan perulangan for untuk 3 cluster yang akan

dipresentasikan. Untuk membuat grafik yang diperlukan adalah nama atribut

dan nilai atribut. Sebagai contoh grafik yang akan dibuat adalah grafik

persentase anggota cluster. Nama atribut adalah nama klaster atau label cluster,

dan nilai variabel adalah banyak anggota setiap cluster. nama variabel, nilai

variabel dan judul cluster dikirim ke kelas pieChart untuk dibuat visualnya.


83

4.4 Metode Pelaksanaan Pengujian Hasil

4.4. 1. Pengelompokan Data

Pengelompokaan data menjadi 5 kelompok merujuk pada bab 3.5.

Jumlah data adalah 719 data. Maka dari 719 tersebut akan dibagi menjadi 5

bagian yang hampir sama, seperti terlihat pada gambar:

Gambar 4.24 Pengelompokan Data Untuk Proses Evaluasi

4.4.2 Pengujian dan Perhitungan Akurasi

Setelah melakukan proses pengelompokaan data menjadi 5 kelompok,

maka dilakukan pengujian dan perhitungan akurasi. Untuk proses pengujian

dilakukan dengan 5 cross validation seperti pada bab 3. Sedangkan proses

perhitungan dilakukan dengan rumus 3.

576

-

719

E

1

-

144

A

145

-

288

B

289

-

432

C

433

-

576

D


84

Tabel 4.2 Percobaan data kelompok A

Uji coba ke Iterasi Cluster

Centroid

Label Akurasi G S SoG Ass FC FS YC RC

1 11 1 0,0448635 0,592504 0,1663306 0,0549373 1,6553006 1,0387675 0,1005388 0,0165354 Defender 53,846

2 0,3427633 2,6867527 1,0445358 0,1652636 1,3284984 1,3892658 0,0940536 0,0091279 Midfilder

3 0,1403432 1,2444336 0,4522618 0,1207346 1,2523787 1,9454999 0,1049547 0,0087561 Forward

2 8 1 0,0440151 0,5872688 0,1637409 0,0556852 1,6496524 1,0355415 0,1006505 0,0166916 Defender 53,846

2 0,1431861 1,2665672 0,4633665 0,1214127 1,2616814 1,9459787 0,1039751 0,0084895 Midfilder

3 0,3459036 2,7057643 1,0506933 0,1644923 1,3282409 1,3794744 0,0947324 0,0092083 Forward

3 37 1 0,1584396 1,3727828 0,5091452 0,1305336 1,2136631 2,0301866 0,1055573 0,0087106 Midfilder 52,447

2 0,3463034 2,7204563 1,0549565 0,1640205 1,3340002 1,3639441 0,095055 0,0092156 Forward

3 0,0495172 0,6178482 0,1784098 0,0589609 1,6300517 1,092934 0,0998025 0,0156224 Defender

4 6 1 0,0494824 0,619281 0,1786374 0,0589615 1,6328521 1,0924008 0,0997357 0,0156809 Defender 52,447

2 0,3418835 2,682084 1,0417629 0,1638526 1,3259697 1,3770175 0,0945052 0,0090367 Forward

3 0,1536892 1,3430986 0,495037 0,128648 1,2144688 2,0421055 0,1067338 0,0088224 Midfilder

5 12 1 0,1403432 1,2444336 0,4522618 0,1207346 1,2523787 1,9454999 0,1049547 0,0087561 Midfilder 53,846

2 0,0448635 0,592504 0,1663306 0,0549373 1,6553006 1,0387675 0,1005388 0,0165354 Defender

3 0,3427633 2,6867527 1,0445358 0,1652636 1,3284984 1,3892658 0,0940536 0,0091279 Forward

6 10 1 0,0448635 0,592504 0,1663306 0,0549373 1,6553006 1,0387675 0,1005388 0,0165354 Defender 53,846

2 0,3427633 2,6867527 1,0445358 0,1652636 1,3284984 1,3892658 0,0940536 0,0091279 Forward

3 0,1403432 1,2444336 0,4522618 0,1207346 1,2523787 1,9454999 0,1049547 0,0087561 Midfilder

7 9 1 0,3459036 2,7057643 1,0506933 0,1644923 1,3282409 1,3794744 0,0947324 0,0092083 Forward 53,846

2 0,0440447 0,5872463 0,163807 0,0546657 1,6516205 1,0345936 0,1007631 0,0166054 Defender

3 0,1426029 1,2628641 0,4616346 0,1223736 1,2612611 1,9422055 0,1038108 0,0086464 Midfilder

8 13 1 0,3427633 2,6867527 1,0445358 0,1652636 1,3284984 1,3892658 0,0940536 0,0091279 Forward 53,846

2 0,0448635 0,592504 0,1663306 0,0549373 1,6553006 1,0387675 0,1005388 0,0165354 Defender

3 0,1403432 1,2444336 0,4522618 0,1207346 1,2523787 1,9454999 0,1049547 0,0087561 Midfilder

9 11 1 0,3375698 2,6520382 1,0315076 0,163197 1,3327213 1,3874934 0,093253 0,0088546 Forward 53,146

2 0,139153 1,2481568 0,4542278 0,1204079 1,2181494 2,0063521 0,1077218 0,0090306 Midfilder

3 0,0500063 0,6183793 0,1768059 0,0590565 1,6517752 1,0595243 0,0997614 0,0161314 Defender

10 7 1 0,1403432 1,2444336 0,4522618 0,1207346 1,2523787 1,9454999 0,1049547 0,0087561 Midfilder 53,846

2 0,0448635 0,592504 0,1663306 0,0549373 1,6553006 1,0387675 0,1005388 0,0165354 Defender

3 0,3427633 2,6867527 1,0445358 0,1652636 1,3284984 1,3892658 0,0940536 0,0091279 Forward

Rata-rata akurasi 53,496


85

Tabel 4.3 Percobaan data kelompok B

Centroid

Uji coba ke Iterasi Cluster G S SoG Ass FC FS YC RC Label Akurasi

1 16 1 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward 46,277

2 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder

3 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

2 11 1 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward 46,527

2 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

3 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder

3 17 1 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward 46,527

2 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

3 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder

4 10 1 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder 46,527

2 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward

3 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

5 10 1 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender 46,527

2 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder

3 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward

6 10 1 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender 46,527

2 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward

3 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder

7 8 1 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder 46,527

2 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

3 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward

8 11 1 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward 46,527

2 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder

3 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

9 20 1 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder 46,527

2 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

3 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward

10 9 1 0,3156 2,3802499 0,949088 0,134345 1,238418 1,361674 0,088182 0,010353 Forward 46,527

2 0,042462 0,5428228 0,148884 0,050693 1,657592 0,994605 0,095579 0,016792 Defender

3 0,130418 1,2739592 0,44625 0,118684 1,301724 2,103041 0,102155 0,012019 Midfilder



86

Tabel 4.4 Percobaan data kelompok C

Centroid


1 30 1 0,1477317 1,333864 0,478802 0,120588 1,188359 2,0960471 0,109609 0,010069 Midfilder 55,555

2 0,3224459 2,382372 0,939504 0,1393558 1,159433 1,1927599 0,093579 0,011488 Forward

3 0,0442188 0,577362 0,165462 0,057372 1,525485 1,0375329 0,099702 0,015654 Defender

2 15 1 0,3197102 2,368925 0,934082 0,1388229 1,164297 1,2027742 0,093096 0,011224 Forward 54,861

2 0,1444959 1,310264 0,467915 0,1212455 1,187228 2,1065718 0,110392 0,010211 Midfilder

3 0,0443331 0,5773 0,165538 0,0565915 1,525887 1,0308114 0,099768 0,015775 Defender

3 8 1 0,3234525 2,392693 0,94241 0,1397147 1,162208 1,2025375 0,093386 0,011488 Forward 52,77

2 0,0375484 0,531262 0,146434 0,0531378 1,520576 0,9642046 0,100242 0,016531 Defender

3 0,1377566 1,254551 0,4472 0,1149593 1,250289 2,0013414 0,107373 0,009868 Midfilder

4 13 1 0,3197102 2,368925 0,934082 0,1388229 1,164297 1,2027742 0,093096 0,011224 Forward 54,861

2 0,0443331 0,5773 0,165538 0,0565915 1,525887 1,0308114 0,099768 0,015775 Defender

3 0,1444959 1,310264 0,467915 0,1212455 1,187228 2,1065718 0,110392 0,010211 Midfilder

5 14 1 0,1444959 1,310264 0,467915 0,1212455 1,187228 2,1065718 0,110392 0,010211 Midfilder 54,861

2 0,3197102 2,368925 0,934082 0,1388229 1,164297 1,2027742 0,093096 0,011224 Forward

3 0,0443331 0,5773 0,165538 0,0565915 1,525887 1,0308114 0,099768 0,015775 Defender

6 12 1 0,0443331 0,5773 0,165538 0,0565915 1,525887 1,0308114 0,099768 0,015775 Defender 54,861

2 0,1444959 1,310264 0,467915 0,1212455 1,187228 2,1065718 0,110392 0,010211 Midfilder

3 0,3197102 2,368925 0,934082 0,1388229 1,164297 1,2027742 0,093096 0,011224 Forward

7 15 1 0,0443331 0,5773 0,165538 0,0565915 1,525887 1,0308114 0,099768 0,015775 Defender 54,861

2 0,3197102 2,368925 0,934082 0,1388229 1,164297 1,2027742 0,093096 0,011224 Forward

3 0,1444959 1,310264 0,467915 0,1212455 1,187228 2,1065718 0,110392 0,010211 Midfilder

8 17 1 0,0442188 0,577362 0,165462 0,057372 1,525485 1,0375329 0,099702 0,015654 Defender 55,555

2 0,1477317 1,333864 0,478802 0,120588 1,188359 2,0960471 0,109609 0,010069 Midfilder

3 0,3224459 2,382372 0,939504 0,1393558 1,159433 1,1927599 0,093579 0,011488 Forward

9 8 1 0,1372121 1,285648 0,455204 0,1161918 1,238925 2,006342 0,106588 0,010041 Midfilder 53,472

2 0,0411041 0,536822 0,15193 0,0542635 1,523368 0,984326 0,100536 0,016112 Defender

3 0,3259001 2,399393 0,946116 0,139521 1,15859 1,1917744 0,093777 0,011695 Forward

10 14 1 0,3224459 2,382372 0,939504 0,1393558 1,159433 1,1927599 0,093579 0,011488 Forward 55,555

2 0,1477317 1,333864 0,478802 0,120588 1,188359 2,0960471 0,109609 0,010069 Midfilder

3 0,0442188 0,577362 0,165462 0,057372 1,525485 1,0375329 0,099702 0,015654 Defender

Rata-rat akurasi 54,7212


87

Tabel 4.5 Percobaan data kelompok D

Centroid


1 10 1 0,160095 1,458442 0,519592 0,120336 1,2422478 1,9642265 0,1077158 0,008744 Midfilder 65,734

2 0,301677 2,261437 0,872516 0,132061 1,2010895 1,1015754 0,0939697 0,011792 Forward

3 0,04638 0,551765 0,159191 0,052371 1,5486217 1,0222232 0,0999459 0,014781 Defender

2 15 1 0,301677 2,261437 0,872516 0,132061 1,2010895 1,1015754 0,0939697 0,011792 Forward 65,734

2 0,04638 0,551765 0,159191 0,052371 1,5486217 1,0222232 0,0999459 0,014781 Defender

3 0,160095 1,458442 0,519592 0,120336 1,2422478 1,9642265 0,1077158 0,008744 Midfilder

3 9 1 0,295516 2,241494 0,869954 0,133941 1,2181663 1,1931274 0,0915107 0,011325 Forward 67,132

2 0,047179 0,562879 0,161411 0,052172 1,5901885 0,9981934 0,1011736 0,015127 Defender

3 0,131925 1,236908 0,42415 0,108038 1,2024809 1,8908694 0,1095101 0,009113 Midfilder

4 14 1 0,301677 2,261437 0,872516 0,132061 1,2010895 1,1015754 0,0939697 0,011792 Forward 65,734

2 0,160413 1,454925 0,517555 0,120756 1,2301124 1,95714 0,1076937 0,008801 Midfilder

3 0,046626 0,557271 0,161754 0,052383 1,5545628 1,0299545 0,0999884 0,014725 Defender

5 13 1 0,300138 2,258643 0,87065 0,132531 1,1964553 1,1096807 0,0936321 0,011645 Forward 65,734

2 0,156891 1,421651 0,506795 0,117273 1,2377528 1,9479221 0,1067884 0,008951 Midfilder

3 0,046424 0,555604 0,159812 0,052798 1,5593 1,0192008 0,1007056 0,014817 Defender

6 11 1 0,160095 1,458442 0,519592 0,120336 1,2422478 1,9642265 0,1077158 0,008744 Midfilder 65,734

2 0,04638 0,551765 0,159191 0,052371 1,5486217 1,0222232 0,0999459 0,014781 Defender

3 0,301677 2,261437 0,872516 0,132061 1,2010895 1,1015754 0,0939697 0,011792 Forward

7 15 1 0,144562 1,313091 0,460827 0,113668 1,2382112 1,8914847 0,1073529 0,00881 Midfilder 67,832

2 0,30184 2,262529 0,876415 0,133568 1,198027 1,1585943 0,0926351 0,011925 Forward

3 0,04287 0,551437 0,155963 0,050552 1,5763294 1,0010699 0,1011229 0,014941 Defender

8 8 1 0,301677 2,261437 0,872516 0,132061 1,2010895 1,1015754 0,0939697 0,011792 Forward 65,734

2 0,046626 0,557271 0,161754 0,052383 1,5545628 1,0299545 0,0999884 0,014725 Defender

3 0,160413 1,454925 0,517555 0,120756 1,2301124 1,95714 0,1076937 0,008801 Midfilder

9 21 1 0,04287 0,551437 0,155963 0,050552 1,5763294 1,0010699 0,1011229 0,014941 Defender 67,832

2 0,144562 1,313091 0,460827 0,113668 1,2382112 1,8914847 0,1073529 0,00881 Midfilder

3 0,30184 2,262529 0,876415 0,133568 1,198027 1,1585943 0,0926351 0,011925 Forward

10 11 1 0,30184 2,262529 0,876415 0,133568 1,198027 1,1585943 0,0926351 0,011925 Forward 67,832

2 0,144562 1,313091 0,460827 0,113668 1,2382112 1,8914847 0,1073529 0,00881 Midfilder

3 0,04287 0,551437 0,155963 0,050552 1,5763294 1,0010699 0,1011229 0,014941 Defender



88

Tabel 4.6 Percobaan data kelompok E

Centroid


1 13 1 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward 50,694

2 0,1280408 1,2161585 0,4253788 0,1277065 1,2655521 2,0284676 0,0919824 0,0091569 Midfilder

3 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender

2 8 1 0,1280408 1,2161585 0,4253788 0,1277065 1,2655521 2,0284676 0,0919824 0,0091569 Midfilder 50,694

2 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender

3 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward

3 11 1 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward 50,694

2 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender

3 0,1280408 1,2161585 0,4253788 0,1277065 1,2655521 2,0284676 0,0919824 0,0091569 Midfilder

4 10 1 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward 50,694

2 0,1280408 1,2161585 0,4253788 0,1277065 1,2655521 2,0284676 0,0919824 0,0091569 Midfilder

3 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender

5 9 1 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward 50,694

2 0,0492644 0,5818869 0,1710667 0,0534593 1,6517034 1,002592 0,0880172 0,0153079 Defender

3 0,1229855 1,2127364 0,4211611 0,1263884 1,2544338 2,0243766 0,0915036 0,0092156 Midfilder

6 12 1 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender 50,694

2 0,128896 1,228448 0,4283494 0,1268983 1,274864 2,0332841 0,0920664 0,009099 Midfilder

3 0,3062069 2,2815698 0,8885662 0,1295001 1,1628236 1,2581092 0,0839384 0,0121567 Forward

7 8 1 0,1280408 1,2161585 0,4253788 0,1277065 1,2655521 2,0284676 0,0919824 0,0091569 Midfilder 50,694

2 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward

3 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender

8 9 1 0,3084217 2,2818268 0,8899414 0,1307375 1,1460957 1,2332501 0,0838472 0,0125164 Forward 52,083

2 0,0437587 0,5640037 0,1612283 0,0508539 1,633946 0,9860608 0,0880963 0,0154344 Defender

3 0,1343691 1,2756141 0,4483495 0,1273927 1,3089655 2,0432298 0,0912916 0,0087661 Midfilder

9 14 1 0,0456948 0,5770799 0,1673125 0,0523076 1,6461549 0,995744 0,0876935 0,0153709 Defender 50,694

2 0,1280408 1,2161585 0,4253788 0,1277065 1,2655521 2,0284676 0,0919824 0,0091569 Midfilder

3 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward

10 10 1 0,0492644 0,5818869 0,1710667 0,0534593 1,6517034 1,002592 0,0880172 0,0153079 Defender 50,694

2 0,3059609 2,2865774 0,8886014 0,1287601 1,171818 1,2668599 0,0840602 0,0120872 Forward

3 0,1229855 1,2127364 0,4211611 0,1263884 1,2544338 2,0243766 0,0915036 0,0092156 Midfilder



89

Kelompok A

Pengujian menggunakan data no 1-576 sebagai data training dan data

no 577-719 sebagai data testing. Dari 10 kali percobaan iterasi terbanyak 37

kali dan paling sedikit 7 kali. Nilai akurasi tertinggi 53,846%, terjadi pada

percobaan ke 1, 2, 5, 6, 7, 8 dan 10. Sedangkan nilai akurasi terkecil 52, 447%

pada percobaan ke 3 dan 4. Rata-rata nilai akurasi dari keseluruhan ujicoba

data kelompok A menghasilkan nilai 53,496% (Tabel 4.2).

Kelompok B

Pengujian menggunakan data no 1-144, 289-719 sebagai data training

dan data no 145-288 sebagai data testing. Dari 10 kali percobaan iterasi

terbanyak 20 dan paling sedikit 8 kali. Nilai akurasi percobaan menghasilkan

nilai sama yaitu 46,527%. Jadi nilai rata-rata dari 10 kali percobaan 46,527%

(Tabel 4.3).

Kelompok C



terbanyak 30 kali dan paling sedikit 8 kali. Nilai akurasi tertinggi 55,555%,

terjadi pada percobaan ke 1, 8 dan 10. Sedangkan nilai akurasi terkecil

52,77% pada percobaan ke 3. Nilai akurasi paling sering terjadi dengan nilai

54,861% sebanyak 5 kali. Rata-rata nilai akurasi dari keseluruhan ujicba data

kelompok C menghasilkan nilai 54,7212% (Tabel 4.4).

Kelompok D



terbanyak 21 kali dan paling kecil 8 kali. Nilai akurasi tertinggi 67,832%,

terjadi pada percobaan ke 7, 9 dan 10. Sedangkan nilai akurasi terkecil

65,132% pada percobaan ke 3. Nilai akurasi paling sering terjadi dengan nilai

65,734% sebanyak 6 kali. Rata-rata nilai akurasi dari keseluruhan ujicba data

kelompok D menghasilkan nilai 66,5034% (Tabel 4.5).


90

Kelompok E

Pengujian menggunakan data no 145-719 sebagai data training dan

data no 1- 144 sebagai data testing. Dari 10 kali percobaan iterasi terbanyak

14 kali dan paling kecil 8 kali. Nilai akurasi tertinggi 52,083%, nilai tersebut

muncul pada percobaan kedelapan. Sedangkan 9 percobaan lainnya

menghasilkan nilai akurasi 50,694%. Rata-rata nilai akurasi dari keseluruhan

ujicoba data kelompok E menghasilkan nilai 50,832% (Tabel 4.6).

Perbedaan yang menonjol terdapat pada nilai atribut shots, shots on

goal dan fouls suffered. Sedangkan untuk nilai atribut lain memiliki perbedaan

dengan tingkat lebih rendah.

Tabel 4.7 Rata-Rata Akurasi Program

Uji coba data ke Data Training Data Testing Total Data Training Total Data Testing Akurasi

1 A, B, C, D E 575 144 53,49%

2 A, C, D, E B 575 144 46,52%

3 A, B, D, E C 575 144 54,72%

4 A, B, C, E D 575 143 66,50%

5 B, C, D, E, A 576 143 50,83%

Rata-rata akurasi 54,41%

Hasil pengujian dan perhitungan akurasi rata-rata dapat dilihat pada

tabel 4.7. Dari hasil pengujian akurasi seperti terlihat pada tabel 4.7, nilai

akurasi berkisar antara 46.52% - 66.50%. Centroid model terbaik adalah

kelompok 4 sedangkan centroid model terjelek adalah kelompok 2. Untuk

jumlah perbedaan iterasi dipengaruhi centroid awal yang didapat dengan

diacak

Rata-rata presentase hasil uji coba sebesar 54.41%. artinya dapat

dinyatakan hasil pengujian ini kurang baik. Kurang baiknya hasil pengujian

disebabkan beberapa faktor.

Faktor-faktor yang mempengaruhi tingkat akurasi:


91

1. Penempatan posisi dalam sebuah pertandingan merupakan bagian

rangcangan strategi, tetapi didalam pertangdingan seorang pemain

yang ditempatkan pada suatu posisi bisa bergerak kemana saja

sesuai situasi pertandingan. Contohnya seorang defender tetap

bisa melakukan penyerangan layaknya seorang forward dan

mencetak gol. sehingga dari data yang ada hal ini bisa mengurangi

nilai akurasi. Walaupun setiap posisi tetap memiliki kriteria

masing-masing.

2. Dari pelabelan data yang tidak sesuai dengan posisi asli dengan

posisi label dapat dilihat pada tabel 4.8. Data diambil dari per

kelompok yang memiliki tingkat akurasi tertinggi dari 10

percobaan sebelumnya. Diambil kesimpulan, kesulitan

pengelompokan posisi terjadi pada posisi midfilder. Dilihat dari

nilai akurasi pada cluster midfilder yang memiliki nilai terendah

dan nilai ketidakakurasian yang tertinggi dari 5 percobaan data.

Hal ini didukung dengan data pelabelan yang salah terbesar

terdapat pada posisi midfilder dengan presentase data salah

terbesar mencapai 29,16%. Merujuk pada faktor sebelumnya posisi

midfilder yang terletak diantara posisi forward dan defender.

Posisi midfilder yang beroperasi ditengah menjadikan seorang

yang diposisi ini bisa jadi lebih kedepan untuk membantu forward

maupun kebelakang membantu defender. Secara data, centroid

midfilder juga berada ditengah antara centroid forward dengan

defender.


92

Tabel 4.8. Data Pelabelan

Data Testing Cluster Benar Salah Akurasi Ketidakakurasian

Forward Midfilder Defender Forward Midfilder Defender

A Forward 21 16 9 46% 34,78% 6,29%

Midfilder 17 11 5 51,51% 33,33% 15,15%

Defender 39 0 25 60,93% 39,06%

Total 77 11 41 14 Akurasi Ketidakakurasian

53,49% 7,69% 27,08% 7,63% Forward Midfilder Defender

B Forward 18 27 5 36% 54,00% 10,00%

Midfilder 18 7 22 38,29% 14,89% 46,80%

Defender 31 1 15 65,95% 2,12% 31,91%



C Forward 18 15 3 50% 41,66% 8,33%

Midfilder 14 9 8 45,16% 29,03% 25,80%

Defender 48 5 24 62,33% 6,49% 31,16%



D Forward 22 10 1 67% 30,30% 3,03%

Midfilder 30 9 8 63,82% 19,14% 17,02%

Defender 45 0 18 71,42% 28,57%



E Forward 23 22 1 50% 47,82% 2,17%

Midfilder 15 5 23 34,88% 11,62% 53,48%

Defender 35 0 20 63,63% 36,36%

Total 73 5 42 24

50,69% 3,47% 29,16% 16,66%

Faktor kemiripan atau jarak antar centroid tiap cluster. Pada

tabel 4.9 diambil contoh pada data testing D. Pada pemain

berposisi midfilder cenderung terbagi pada posisi forward dan

defender lebih besar. Dari data nilai kemiripan/ similarity hampir

sama antara forward dengan midfilder sebesar 0,901928 dan

midfilder dengan defender sebesar 0,894865. Sedangkan untuk

forward dengan defender memiliki nilai yang lebih kecil.


93

Tabel 4.9. Kemiripan Antar Centroid.

Kemiripan Antar

Centroid Centroid

G S SoG Ass FC FS YC RC Label Similarity

1 0,30184 2,2625 0,8764 0,1336 1,198 1,1586 0,0926 0,0119 Forward

0,14456 1,3131 0,4608 0,1137 1,2382 1,8915 0,1074 0,0088 Midfilder 0,90193

2 0,30184 2,2625 0,8764 0,1336 1,198 1,1586 0,0926 0,0119 Forward

0,04287 0,5514 0,156 0,0506 1,5763 1,0011 0,1011 0,0149 Defender 0,76931

3 0,14456 1,3131 0,4608 0,1137 1,2382 1,8915 0,1074 0,0088 Midfilder

0,04287 0,5514 0,156 0,0506 1,5763 1,0011 0,1011 0,0149 Defender 0,89487


94

BAB V

KESIMPULAN DAN SARAN

5. 1 Kesimpulan

Setelah sistem ini dibuat maka diperoleh beberapa kesimpulan:

1. Algoritma k-means clustering untuk menganalisis statistik pemain

sepakbola agar dapat mengelompokan posisi pemain mendapat hasil

kurang baik/optimal.

2. Dengan asumsi, pengelompokan kategori seperti pada tabel 3.2.

Hasil pengujian akurasi program dengan menggunakan 5 cross

validation yaitu 53,49%, 46,52%, 54,72%, 66,50%, 50,83%. (rata-

rata akurasi 54,41%)

3. Berdasarkan dari akurasi, kelompok data terbaik adalah kelompok D

sedangkan kelompok terjelek adalah kelompok B.

4. Posisi midfilder sulit untuk dikelompokan karena pada waktu

pertandingan posisi midfilder lebih mobile dan nilai centroidnya

berada ditengah antara posisi forward dan defender.

5.2 Saran

Dari sistem yang dibuat masih diperlukan beberapa saran antara lain:

1. Menambah jumlah atribut data pemain, mungkin dapat

meningkatkan nilai akurasi.

2. Input data training diisi dengan data-data pemain yang mewakili

sifat tiap posisi, mungkin dapat meningkatkan kualitas centroid

maupun akurasi.

3. Jumlah kategori posisi dapat ditambahkan, sehingga setiap posisi

pemain lebih spesifik.

4. Program yang dibuat dapat menerima input data dengan berbagai

tipe file maupun dengan penggunaan database.


95

5. Program yang dibuat berbasis web sehingga dapat digunakan dimana

saja.


DAFTAR PUSTAKA

Santosa, Budi, 2007, Teknik Pemanfaatan Data Mining untuk Keperluan Bisnis,

Graha Ilmu, Yogyakarta.

Osma L Zaiane, Eli Hagen, Jiawei Han, Word taxonomy for on-line visual Asset

management asest management and mining fourth internasional workshop on

application of natural language to information system (NLDB’ 99).

Kusnawi, 2007, Pengantar Solusi Data Mining, AMIKOM, Yogyakarta

Ian H. Witten, Eibe Frank, Mark A. Hall, 2011. Data Mining Practical Machine

Learning Tools and Techniques 3rd. USA.

Hernawan, Benny, 2004, Menguasai Java 2 & Object Oriented Programing, Andi,

Yogyakarta.

Nugroho, Adi, 2008, Algoritma dan Struktur Data dalam Bahasa Java, Penerbit

Andi, Yogyakarta.

Ahcmad Rizal. (2011) K-nearest-neighbor.

http://arl.blog.ittelkom.ac.id/blog/2011/07/k-nearest-neighbor-k-n/. diakses

tanggal 28 Mei 2012.

Data pemain, http://soccernet.espn.go.com/league/, diakses tanggal 17 Juli 2011.

http://www.goal.com/id-ID/news/1571/fokus/2012/02/14/2905711/fokus-keuangan-

distribusi-keuntungan-liga-champions, diakses tanggal 14 April 2012


http://arl.blog.ittelkom.ac.id/blog/2011/07/k-nearest-neighbor-k-n

http://soccernet.espn.go.com/league/

http://www.goal.com/id-ID/news/1571/fokus/2012/02/14/2905711/fokus-keuangan-distribusi-keuntungan-liga-champions

http://www.goal.com/id-ID/news/1571/fokus/2012/02/14/2905711/fokus-keuangan-distribusi-keuntungan-liga-champions

LAMPIRAN


Tabel Perbandingan Perhitungan Manual dan Program

Data Testing Kelompok A

Data No Nilai Similarity Perbandingan Pelabelan Perbandingan

Manual Program Data Asli Hasil

Testing

577 0,966315581 0,966315581 Sama Midfilder Defender FALSE

578 0,987365811 0,987365811 Sama Forward Forward TRUE

579 0,971424794 0,971424794 Sama Forward Midfilder FALSE


581 0,917085569 0,917085569 Sama Midfilder Midfilder TRUE

582 0,972117776 0,972117776 Sama Defender Defender TRUE



585 0,968958723 0,968958723 Sama Defender Midfilder FALSE






















607 0,971809738 0,971809738 Sama Midfilder Forward FALSE









615 0,462000633 0,462000633 Sama Defender Forward FALSE




































































Jumlah data sesuai: 77


Data Testing Kelompok B



Testing

































































208 0,979054995 0,979054995 Sama Forward Defender FALSE










Data Testing Kelompok C

Data No Nilai Similarity c Perbandingan Pelabelan Perbandingan


Testing



































Data Testing Kelompok D



Testing





































































jumlah data sesuai: 97


Data Testing Kelompok E

Data No Nilai Similarity Perbandingan Pelabelan

Perbandingan Manual Program Data Asli Hasil

Testing



































PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/32512/2/065314049_Full.pdf · i...

Documents

Transcript of PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIrepository.usd.ac.id/32512/2/065314049_Full.pdf · i...