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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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…..
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 2.3 Metode Evaluasi 5 Cross Validation pengujian 2..................... 18
Gambar 2.4 Metode Evaluasi 5 Cross Validation pengujian 3..................... 18
Gambar 2.5 Metode Evaluasi 5 Cross Validation pengujian 4..................... 19
Gambar 2.6 Metode Evaluasi 5 Cross Validation pengujian 5..................... 19
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
G: Goals gol yang telah dihasilkan.
A: Assists kontribusi(umpan) pemain untuk terciptanya gol.
SG: Shots on goal tendangan kearah gawang yang telah dilakukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
FC: Fouls Committed pelanggaran yang telah dilakukan.
FS: Fouls Suffered pelanggaran yang telah diterima.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
G: Goals gol yang telah dihasilkan.
A: Assists kontribusi(umpan) pemain untuk terciptanya gol.
SG: Shots on goal tendangan kearah gawang yang telah dilakukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
FC: Fouls Committed pelanggaran yang telah dilakukan.
FS: Fouls Suffered pelanggaran yang telah diterima.
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:
Tabel 2.6. Pembentukan Centroid 2
Nama G A SG FS FC
A6 10 7 10 12 6
A7 5 6 10 15 15
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
A8 2 5 8 8 5
A9 7 16 10 16 10
A10 5 3 12 7 18
Perhitungan pembentukan untuk C2:
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:
Tabel 2.7. Pembentukan Centroid 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
Perhitungan pembentukan untuk C3:
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 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
Tabel 2.8. Pembentukan Centroid 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
Perhitungan pembentukan untuk C4:
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 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kelompok 2: data statistik ke 101-200
Kelompok 3: data statistik ke 201-300
Kelompok 4: data statistik ke 301-400
Kelompok 5: data statistik ke 401-500
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
Gambar 2.4 Metode Evaluasi 5 Cross Validation pengujian 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
5 2 3 4 1
Training Testing
1 2 3 5 4
Training Testing
Pengujian keempat:
Gambar 2.5 Metode Evaluasi 5 Cross Validation pengujian 4
Pengujian lima:
Gambar 2.6 Metode Evaluasi 5 Cross Validation Pengujian 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
Actor Action System Response
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”
Langkah 2: Sistem membuka
halaman Group
Langkah 4:
Sistem membuka
halaman Browse
Langkah 6:
Sistem membuka file
data yang dipilih.
Langkah 7: Sistem
menampilkan pesan
bahwa data telah
berhasil dimasukkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Langkah 8: User menekan tombol
“Proses”
Langkah 9:
Sistem melakukan
proses pelabelan posisi
pemain.
Aktifitas
Alternatif :
Langkah Alternatif 1:
Untuk batal atau kembali ke halaman Model, user
dapat menekan tombol “BACK”
Langkah Alternatif 2:
User menekan tombol “Group Tanpa label” untuk
menampilkan menampilkan halaman Group Dengan
Label.
Langkah Alternatif 3:
User menekan tombol “Personal” untuk menampilkan
menampilkan halaman Personal.
Langkah Alternatif 4:
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
Data yang diinputkan harus sesuai format.
Narasi Use case Group Tanpa 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 -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
yang Terlibat
Pihak Lain
yang
Berkepentingan
-
Deskripsi: Use case ini menggambarkan proses untuk
memasukkan data testing tanpa 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 tanpa label ke dalam sistem
dan melakukan pelabelan data.
Urutan
Aktifitas
Normal :
Actor Action System Response
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”
Langkah 2: Sistem membuka
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
berhasil dimasukkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Langkah 8: User menekan tombol
“Proses”
Langkah 9:
Sistem melakukan
proses pelabelan posisi
pemain.
Aktifitas
Alternatif :
Langkah Alternatif 1:
Untuk batal atau kembali ke halaman Model, user
dapat menekan tombol “Back”
Langkah Alternatif 2:
User menekan tombol “Group Dengan label” untuk
menampilkan menampilkan halaman Group Dengan
Label.
Langkah Alternatif 3: User menekan tombol “Personal” untuk menampilkan
menampilkan halaman Personal.
Langkah Alternatif 4:
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
Data yang diinputkan harus sesuai format.
Narasi Use case Personal
Penulis: A. Cahyo Ridho Nugroho
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Pelaku Lain
yang Terlibat
-
Pihak Lain
yang
Berkepentingan
-
Deskripsi: Use case ini menggambarkan proses untuk
memasukkan data testing 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 ke dalam sistem dan
pengelompokan.
Urutan
Aktifitas
Normal :
Actor Action System Response
Langkah 1:
User menekan tombol
“Personal”
Langkah 3:
User mengisikan
semua atribut data
pemain.
Langkah 4:
User menekan tombol
“Proses”
Langkah 2: Sistem membuka
halaman Personal
Langkah 5:
Sistem melakukan
proses pelabelan posisi
pemain.
Aktifitas
Alternatif :
Langkah Alternatif 1:
Untuk batal atau kembali ke halaman, user dapat
menekan tombol “Back”
Langkah Alternatif 2:
User menekan tombol “Group Dengan Label” untuk
menampilkan menampilkan halaman Group Dengan
Label.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
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
Data yang diinputkan harus sesuai format.
3.3.5 Diagram Aktivitas
Diagram aktivitas merupakan diagram yang menjelaskan aktivitas user
dengan program.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
b) Group Dengan Label
User System
Klik Tombol Group Dengan Label
Menampilkan halamanBROWSE (file selector)
Klik tombol Browse
Menampilkan dialog box, file telah diinputkan
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
c) Group Tanpa Label
User System
Klik Tombol Group Tanpa Label
Menampilkan halamanBROWSE (file selector)
Klik tombol Browse
Menampilkan dialog box, file telah diinputkan
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Kelas ini berfungsi untuk
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
No Nama Kelas Tipe Deskripsi
1 modelForm Interface /
Boundary
Kelas ini berfungsi untuk
menyediakan fungsi
penampilan modelForm.
2 GoupForm Interface /
Boundary
Kelas ini berfungsi untuk
menyediakan fungsi
penampilan groupForm.
3 ClusterCentroid Entity Kelas ini berfungsi untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Tabel 3.4 Kelas Analisis Penentuan Posisi group
Dinamika Obyek
Halaman Testing Halaman Group Player
View1. Aktor menekan
tombol Group Klasifikasi
3. Aktor menekan
tombol Proses
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
4 Cluster Entity Kelas ini berfungsi untuk
menyimpan atribut cluster.
5 Centroid Entity Kelas ini berfungsi untuk
menyimpan atribut centroid
6 Player Entity Kelas ini berfungsi untuk
menyimpan data player
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
c) Realisasi Use Case Penentuan Posisi Group Tanpa Label
Kelas Analisis
Tabel 3.5 Kelas Analisis Penentuan Posisi group
No Nama Kelas Tipe Deskripsi
1 modelForm Interface /
Boundary
Kelas ini berfungsi untuk
menyediakan fungsi
penampilan modelForm.
2 GoupNonLabelForm Interface /
Boundary
Kelas ini berfungsi untuk
menyediakan fungsi
penampilan form group tanpa
label.
3 ClusterCentroid
Entity Kelas ini berfungsi untuk
menjalankan fungsi Kmeans
4 Cluster Entity Kelas ini berfungsi untuk
menyimpan atribut cluster..
5 Centroid Entity Kelas ini berfungsi untuk
menyimpan atribut centroid
6 Player Entity Kelas ini berfungsi untuk
menyimpan data player
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Dinamika Obyek
Halaman Testing Halaman Group Player
View1. Aktor menekan
tombol Group Klasifikasi
3. Aktor menekan
tombol Proses
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
No Nama Kelas Tipe Deskripsi
1 ModelForm
Interface /
Boundary
Kelas ini berfungsi untuk
menyediakan fungsi
penampilan modelForm
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Tabel 3.6 Sequence Penentuan Posisi Personal
Dinamika Obyek
Halaman Testing Halaman Personal Player
View1. Aktor menekan
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
Kelas ini berfungsi untuk
menyediakan fungsi
penampilan form Personal.
3 ClusterCentroid Controller Kelas ini berfungsi untuk
menjalankan K-means dan
controller.
4 Cluster Entity Kelas ini berfungsi untuk
menyimpan atribut cluster.
5 Centroid Entity Kelas ini berfungsi untuk
menyimpan atribut centroid
6 Player Entity Kelas ini berfungsi untuk
menyimpan data-data pemain
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
ClusterCentroid ClusterCentroid .java Entities
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
ClusterCentroid ClusterCentroid .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
ClusterCentroid ClusterCentroid .java Entities
Centroid Centroid.java Entities
Cluster Cluster.java Entities
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Gambar 4.2. Halaman Create (sebelum data diinputkan)
Gambar 4.3 Kotak file selector untuk mengambil data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Gambar 4.7.Halaman Model
Gambar 4.8.Halaman View Detail(untuk melihat data yang masuk kedalam salah satu cluster).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Gambar 4.9.Halaman Grafik.
4.2.3 Halaman Group (dengan label)
Gambar 4.10.Halaman Group
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Gambar 4.11. File selector untuk memilih file yang akan dikelompokan.
Gambar 4.12. Pemberitahuan File telah diinputkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Gambar 4.13Halaman Group ( Setelah file diinputkan)
Gambar 4.14 .Halaman Group ( Setelah file diproses)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
4.2.5 Halaman Personal
Gambar 4.20.Halaman Personal
Gambar 4.21 .Halaman Personal (setelah memproses inputan data dari user)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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()));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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;
}
}
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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) {
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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);
List data2 = new ArrayList();
data2.add("m");
data2.add(m);
List data3 = new ArrayList();
data3.add("d");
data3.add(d);
List dd = new ArrayList();
dd.add(data1);
dd.add(data2);
dd.add(data3);
List datahasilbaru = bs.sortinghasil(dd);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Rata-rata akurasi 46,527
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
Tabel 4.4 Percobaan data kelompok C
Centroid
Uji coba ke Iterasi Cluster G S SoG Ass FC FS YC RC Label Akurasi
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
Tabel 4.5 Percobaan data kelompok D
Centroid
Uji coba ke Iterasi Cluster G S SoG Ass FC FS YC RC Label Akurasi
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
Rata-rata akurasi 66,5034
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
Tabel 4.6 Percobaan data kelompok E
Centroid
Uji coba ke Iterasi Cluster G S SoG Ass FC FS YC RC Label Akurasi
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
Rata-rata akurasi 50,832
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Pengujian menggunakan data no 1-288, 433-719 sebagai data training
dan data no 289-432 sebagai data testing. Dari 10 kali percobaan iterasi
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
Pengujian menggunakan data no 1-432, 577-719 sebagai data training
dan data no 433-576 sebagai data testing. Dari 10 kali percobaan iterasi
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%
Total 67 8 42 27 Akurasi Ketidakakurasian
46,52% 5,55% 29,16% 18,75% Forward Midfilder Defender
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%
Total 80 14 39 11 Akurasi Ketidakakurasian
55,55% 9,72% 27,08% 7,63% Forward Midfilder Defender
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%
Total 97 9 28 9 Akurasi Ketidakakurasian
67,83% 6,29% 19,58% 6,29% Forward Midfilder Defender
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
5. Program yang dibuat berbasis web sehingga dapat digunakan dimana
saja.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
580 0,977496682 0,977496682 Sama Forward Forward TRUE
581 0,917085569 0,917085569 Sama Midfilder Midfilder TRUE
582 0,972117776 0,972117776 Sama Defender Defender TRUE
583 0,907569715 0,907569715 Sama Forward Forward TRUE
584 0,950854845 0,950854845 Sama Defender Defender TRUE
585 0,968958723 0,968958723 Sama Defender Midfilder FALSE
586 0,996148962 0,996148962 Sama Defender Defender TRUE
587 0,982566956 0,982566956 Sama Forward Forward TRUE
588 0,977576454 0,977576454 Sama Midfilder Defender FALSE
589 0,923274204 0,923274204 Sama Midfilder Defender FALSE
590 0,967562415 0,967562415 Sama Forward Forward TRUE
591 0,963256682 0,963256682 Sama Defender Defender TRUE
592 0,979994897 0,979994897 Sama Midfilder Midfilder TRUE
593 0,991487136 0,991487136 Sama Defender Defender TRUE
594 0,992973263 0,992973263 Sama Midfilder Defender FALSE
595 0,982763219 0,982763219 Sama Midfilder Midfilder TRUE
596 0,997483646 0,997483646 Sama Forward Midfilder FALSE
597 0,991348712 0,991348712 Sama Forward Midfilder FALSE
598 0,992154455 0,992154455 Sama Midfilder Midfilder TRUE
599 0,985488006 0,985488006 Sama Midfilder Defender FALSE
600 0,99761769 0,99761769 Sama Defender Defender TRUE
601 0,977073113 0,977073113 Sama Defender Defender TRUE
602 0,970551603 0,970551603 Sama Defender Defender TRUE
603 0,968387771 0,968387771 Sama Forward Midfilder FALSE
604 0,968739258 0,968739258 Sama Forward Forward TRUE
605 0,983318123 0,983318123 Sama Defender Defender TRUE
606 0,98863155 0,98863155 Sama Midfilder Defender FALSE
607 0,971809738 0,971809738 Sama Midfilder Forward FALSE
608 0,966763501 0,966763501 Sama Midfilder Defender FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
609 0,980445023 0,980445023 Sama Midfilder Forward FALSE
610 0,979827552 0,979827552 Sama Defender Defender TRUE
611 0,910587651 0,910587651 Sama Defender Defender TRUE
612 0,977664854 0,977664854 Sama Forward Forward TRUE
613 0,994154877 0,994154877 Sama Forward Midfilder FALSE
614 0,985530038 0,985530038 Sama Forward Forward TRUE
615 0,462000633 0,462000633 Sama Defender Forward FALSE
616 0,672258075 0,672258075 Sama Midfilder Forward FALSE
617 0,673406961 0,673406961 Sama Forward Forward TRUE
618 0,433087546 0,433087546 Sama Defender Forward FALSE
619 0,673406961 0,673406961 Sama Forward Forward TRUE
620 0,433087546 0,433087546 Sama Midfilder Forward FALSE
621 0,433087546 0,433087546 Sama Forward Forward TRUE
622 0,664799483 0,664799483 Sama Midfilder Forward FALSE
623 0,433087546 0,433087546 Sama Defender Forward FALSE
624 0,580472235 0,580472235 Sama Defender Forward FALSE
625 0,047412624 0,047412624 Sama Defender Defender TRUE
626 0,462000633 0,462000633 Sama Forward Forward TRUE
627 0,937961024 0,937961024 Sama Midfilder Forward FALSE
628 0,975939061 0,975939061 Sama Defender Defender TRUE
629 0,964058197 0,964058197 Sama Forward Midfilder FALSE
630 0,952609413 0,952609413 Sama Midfilder Midfilder TRUE
631 0,972810655 0,972810655 Sama Defender Defender TRUE
632 0,989171457 0,989171457 Sama Midfilder Defender FALSE
633 0,987400816 0,987400816 Sama Midfilder Forward FALSE
634 0,968585694 0,968585694 Sama Defender Defender TRUE
635 0,993610484 0,993610484 Sama Defender Defender TRUE
636 0,971735095 0,971735095 Sama Midfilder Defender FALSE
637 0,994794122 0,994794122 Sama Midfilder Forward FALSE
638 0,965087396 0,965087396 Sama Midfilder Midfilder TRUE
639 0,970611938 0,970611938 Sama Midfilder Forward FALSE
640 0,983546951 0,983546951 Sama Defender Defender TRUE
641 0,986920928 0,986920928 Sama Defender Midfilder FALSE
642 0,996264108 0,996264108 Sama Midfilder Defender FALSE
643 0,956603585 0,956603585 Sama Defender Defender TRUE
644 0,99057431 0,99057431 Sama Midfilder Forward FALSE
645 0,989660457 0,989660457 Sama Forward Forward TRUE
646 0,997922178 0,997922178 Sama Forward Forward TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
647 0,983624487 0,983624487 Sama Midfilder Defender FALSE
648 0,960681085 0,960681085 Sama Defender Defender TRUE
649 0,95208949 0,95208949 Sama Defender Defender TRUE
650 0,994475397 0,994475397 Sama Midfilder Midfilder TRUE
651 0,964105979 0,964105979 Sama Defender Defender TRUE
652 0,986920003 0,986920003 Sama Forward Forward TRUE
653 0,979932085 0,979932085 Sama Defender Defender TRUE
654 0,993804782 0,993804782 Sama Midfilder Midfilder TRUE
655 0,969642876 0,969642876 Sama Midfilder Defender FALSE
656 0,943018263 0,943018263 Sama Midfilder Forward FALSE
657 0,994269442 0,994269442 Sama Defender Defender TRUE
658 0,966119134 0,966119134 Sama Defender Defender TRUE
659 0,98854046 0,98854046 Sama Forward Midfilder FALSE
660 0,985312371 0,985312371 Sama Midfilder Defender FALSE
661 0,961437315 0,961437315 Sama Forward Forward TRUE
662 0,950866757 0,950866757 Sama Defender Midfilder FALSE
663 0,972555396 0,972555396 Sama Defender Defender TRUE
664 0,977819096 0,977819096 Sama Midfilder Midfilder TRUE
665 0,655588251 0,655588251 Sama Defender Forward FALSE
666 0,055779483 0,055779483 Sama Midfilder Defender FALSE
667 0,433087546 0,433087546 Sama Defender Forward FALSE
668 0,669616845 0,669616845 Sama Midfilder Forward FALSE
669 0,580472235 0,580472235 Sama Midfilder Forward FALSE
670 0,667513385 0,667513385 Sama Forward Forward TRUE
671 0,462000633 0,462000633 Sama Defender Forward FALSE
672 0,462000633 0,462000633 Sama Midfilder Forward FALSE
673 0,047412624 0,047412624 Sama Defender Defender TRUE
674 0,639237241 0,639237241 Sama Defender Forward FALSE
675 0,669011838 0,669011838 Sama Forward Forward TRUE
676 0,655588251 0,655588251 Sama Midfilder Forward FALSE
677 0,054208226 0,054208226 Sama Midfilder Defender FALSE
678 0,995759399 0,995759399 Sama Defender Defender TRUE
679 0,981039173 0,981039173 Sama Defender Defender TRUE
680 0,972482509 0,972482509 Sama Midfilder Midfilder TRUE
681 0,988741276 0,988741276 Sama Defender Defender TRUE
682 0,997867278 0,997867278 Sama Midfilder Defender FALSE
683 0,979163716 0,979163716 Sama Forward Forward TRUE
684 0,958922485 0,958922485 Sama Defender Defender TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
685 0,969000002 0,969000002 Sama Midfilder Forward FALSE
686 0,978918837 0,978918837 Sama Midfilder Midfilder TRUE
687 0,963402896 0,963402896 Sama Forward Midfilder FALSE
688 0,961213614 0,961213614 Sama Defender Defender TRUE
689 0,986292046 0,986292046 Sama Midfilder Defender FALSE
690 0,978984769 0,978984769 Sama Midfilder Defender FALSE
691 0,947693341 0,947693341 Sama Midfilder Midfilder TRUE
692 0,977997722 0,977997722 Sama Midfilder Defender FALSE
693 0,99236731 0,99236731 Sama Defender Defender TRUE
694 0,987226826 0,987226826 Sama Midfilder Midfilder TRUE
695 0,942110747 0,942110747 Sama Defender Defender TRUE
696 0,934071485 0,934071485 Sama Midfilder Defender FALSE
697 0,988387443 0,988387443 Sama Defender Defender TRUE
698 0,989095174 0,989095174 Sama Midfilder Midfilder TRUE
699 0,983707489 0,983707489 Sama Defender Defender TRUE
700 0,965790061 0,965790061 Sama Defender Defender TRUE
701 0,97879159 0,97879159 Sama Midfilder Defender FALSE
702 0,98491007 0,98491007 Sama Defender Forward FALSE
703 0,997768896 0,997768896 Sama Forward Midfilder FALSE
704 0,976212507 0,976212507 Sama Midfilder Midfilder TRUE
705 0,97599953 0,97599953 Sama Defender Defender TRUE
706 0,970615696 0,970615696 Sama Forward Forward TRUE
707 0,958912325 0,958912325 Sama Midfilder Defender FALSE
708 0,875754001 0,875754001 Sama Midfilder Midfilder TRUE
709 0,863341798 0,863341798 Sama Defender Midfilder FALSE
710 0,988463801 0,988463801 Sama Midfilder Defender FALSE
711 0,997836637 0,997836637 Sama Forward Midfilder FALSE
712 0,946416256 0,946416256 Sama Defender Defender TRUE
713 0,932114509 0,932114509 Sama Midfilder Defender FALSE
714 0,922121773 0,922121773 Sama Defender Midfilder FALSE
715 0,991855939 0,991855939 Sama Forward Midfilder FALSE
716 0,992282502 0,992282502 Sama Midfilder Defender FALSE
717 0,998185963 0,998185963 Sama Forward Forward TRUE
718 0,967045002 0,967045002 Sama Defender Defender TRUE
719 0,977028492 0,977028492 Sama Midfilder Midfilder TRUE
Jumlah data sesuai: 77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Data Testing Kelompok B
Data No Nilai Similarity Perbandingan Pelabelan Perbandingan
Manual Program Data Asli Hasil
Testing
145 0,944459615 0,944459615 Sama Midfilder Defender FALSE
146 0,979439015 0,979439015 Sama Defender Midfilder FALSE
147 0,973376959 0,973376959 Sama Defender Forward FALSE
148 0,975537027 0,975537027 Sama Midfilder Midfilder TRUE
149 0,98593431 0,98593431 Sama Defender Defender TRUE
150 0,969838773 0,969838773 Sama Midfilder Midfilder TRUE
151 0,992245119 0,992245119 Sama Forward Forward TRUE
152 0,95625137 0,95625137 Sama Midfilder Defender FALSE
153 0,972130368 0,972130368 Sama Midfilder Defender FALSE
154 0,975640086 0,975640086 Sama Defender Defender TRUE
155 0,998793408 0,998793408 Sama Defender Defender TRUE
156 0,962815867 0,962815867 Sama Defender Defender TRUE
157 0,980311056 0,980311056 Sama Forward Midfilder FALSE
158 0,99503732 0,99503732 Sama Midfilder Midfilder TRUE
159 0,99412384 0,99412384 Sama Midfilder Midfilder TRUE
160 0,995420706 0,995420706 Sama Forward Midfilder FALSE
161 0,9568788 0,9568788 Sama Midfilder Defender FALSE
162 0,964740697 0,964740697 Sama Defender Midfilder FALSE
163 0,980904789 0,980904789 Sama Defender Defender TRUE
164 0,993528009 0,993528009 Sama Midfilder Midfilder TRUE
165 0,994302978 0,994302978 Sama Forward Forward TRUE
166 0,968939242 0,968939242 Sama Forward Midfilder FALSE
167 0,985495061 0,985495061 Sama Defender Midfilder FALSE
168 0,985934616 0,985934616 Sama Defender Defender TRUE
169 0,983732174 0,983732174 Sama Midfilder Forward FALSE
170 0,944202746 0,944202746 Sama Midfilder Defender FALSE
171 0,967484642 0,967484642 Sama Defender Midfilder FALSE
172 0,935851024 0,935851024 Sama Defender Forward FALSE
173 0,975441426 0,975441426 Sama Midfilder Forward FALSE
174 0,985969998 0,985969998 Sama Defender Defender TRUE
175 0,933566885 0,933566885 Sama Defender Midfilder FALSE
176 0,992030479 0,992030479 Sama Forward Midfilder FALSE
177 0,970224776 0,970224776 Sama Midfilder Midfilder TRUE
178 0,98868753 0,98868753 Sama Defender Midfilder FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
179 0,92734222 0,92734222 Sama Midfilder Forward FALSE
180 0,961739836 0,961739836 Sama Midfilder Forward FALSE
181 0,983774095 0,983774095 Sama Forward Midfilder FALSE
182 0,968664547 0,968664547 Sama Defender Defender TRUE
183 0,901902474 0,901902474 Sama Midfilder Forward FALSE
184 0,947385115 0,947385115 Sama Midfilder Defender FALSE
185 0,94918247 0,94918247 Sama Defender Defender TRUE
186 0,981209228 0,981209228 Sama Midfilder Defender FALSE
187 0,944795938 0,944795938 Sama Defender Defender TRUE
188 0,938239679 0,938239679 Sama Midfilder Forward FALSE
189 0,981433493 0,981433493 Sama Forward Forward TRUE
190 0,992964918 0,992964918 Sama Midfilder Forward FALSE
191 0,95489458 0,95489458 Sama Forward Forward TRUE
192 0,984787943 0,984787943 Sama Defender Defender TRUE
193 0,961154555 0,961154555 Sama Midfilder Forward FALSE
194 0,98903932 0,98903932 Sama Defender Midfilder FALSE
195 0,989496578 0,989496578 Sama Midfilder Defender FALSE
196 0,959542727 0,959542727 Sama Defender Defender TRUE
197 0,914598865 0,914598865 Sama Defender Forward FALSE
198 0,981007982 0,981007982 Sama Forward Forward TRUE
199 0,975829318 0,975829318 Sama Midfilder Forward FALSE
200 0,972960014 0,972960014 Sama Midfilder Forward FALSE
201 0,985026092 0,985026092 Sama Midfilder Forward FALSE
202 0,973093715 0,973093715 Sama Defender Defender TRUE
203 0,95326145 0,95326145 Sama Defender Midfilder FALSE
204 0,961296175 0,961296175 Sama Defender Defender TRUE
205 0,979047149 0,979047149 Sama Defender Defender TRUE
206 0,960782672 0,960782672 Sama Forward Forward TRUE
207 0,946273629 0,946273629 Sama Midfilder Defender FALSE
208 0,979054995 0,979054995 Sama Forward Defender FALSE
209 0,972017998 0,972017998 Sama Defender Midfilder FALSE
210 0,951981436 0,951981436 Sama Midfilder Forward FALSE
211 0,975841664 0,975841664 Sama Defender Forward FALSE
212 0,967033444 0,967033444 Sama Defender Defender TRUE
213 0,982155772 0,982155772 Sama Midfilder Midfilder TRUE
214 0,938396261 0,938396261 Sama Midfilder Forward FALSE
215 0,912301375 0,912301375 Sama Defender Defender TRUE
216 0,955799459 0,955799459 Sama Forward Forward TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
217 0,99181009 0,99181009 Sama Forward Forward TRUE
218 0,961708709 0,961708709 Sama Forward Midfilder FALSE
219 0,976639965 0,976639965 Sama Defender Midfilder FALSE
220 0,955060385 0,955060385 Sama Midfilder Midfilder TRUE
221 0,944335943 0,944335943 Sama Defender Midfilder FALSE
222 0,997548453 0,997548453 Sama Midfilder Midfilder TRUE
223 0,976418293 0,976418293 Sama Defender Defender TRUE
224 0,979336708 0,979336708 Sama Midfilder Forward FALSE
225 0,98852935 0,98852935 Sama Forward Forward TRUE
226 0,960706712 0,960706712 Sama Midfilder Defender FALSE
227 0,985512451 0,985512451 Sama Midfilder Defender FALSE
228 0,995295422 0,995295422 Sama Midfilder Forward FALSE
229 0,987865135 0,987865135 Sama Defender Defender TRUE
230 0,972002299 0,972002299 Sama Midfilder Forward FALSE
231 0,969936898 0,969936898 Sama Midfilder Defender FALSE
232 0,977930961 0,977930961 Sama Defender Midfilder FALSE
233 0,989972578 0,989972578 Sama Forward Forward TRUE
234 0,968475242 0,968475242 Sama Defender Defender TRUE
235 0,989342352 0,989342352 Sama Forward Forward TRUE
236 0,957107674 0,957107674 Sama Defender Midfilder FALSE
237 0,954337678 0,954337678 Sama Midfilder Midfilder TRUE
238 0,981915727 0,981915727 Sama Defender Midfilder FALSE
239 0,986105339 0,986105339 Sama Midfilder Forward FALSE
240 0,989377701 0,989377701 Sama Defender Midfilder FALSE
241 0,99729454 0,99729454 Sama Defender Defender TRUE
242 0,96207958 0,96207958 Sama Midfilder Midfilder TRUE
243 0,90353396 0,90353396 Sama Midfilder Forward FALSE
244 0,96094408 0,96094408 Sama Defender Midfilder FALSE
245 0,956903204 0,956903204 Sama Midfilder Midfilder TRUE
246 0,967011765 0,967011765 Sama Forward Forward TRUE
247 0,974277848 0,974277848 Sama Defender Midfilder FALSE
248 0,917711937 0,917711937 Sama Forward Forward TRUE
249 0,961590327 0,961590327 Sama Midfilder Midfilder TRUE
250 0,937249923 0,937249923 Sama Midfilder Forward FALSE
251 0,994936605 0,994936605 Sama Midfilder Forward FALSE
252 0,985635491 0,985635491 Sama Defender Defender TRUE
253 0,968099667 0,968099667 Sama Midfilder Forward FALSE
254 0,995273764 0,995273764 Sama Midfilder Forward FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
255 0,989874966 0,989874966 Sama Forward Forward TRUE
256 0,973864632 0,973864632 Sama Defender Defender TRUE
257 0,992799218 0,992799218 Sama Defender Defender TRUE
258 0,957922102 0,957922102 Sama Defender Defender TRUE
259 0,980702164 0,980702164 Sama Midfilder Forward FALSE
260 0,968190714 0,968190714 Sama Defender Midfilder FALSE
261 0,99331758 0,99331758 Sama Midfilder Midfilder TRUE
262 0,959488453 0,959488453 Sama Midfilder Midfilder TRUE
263 0,93754642 0,93754642 Sama Defender Defender TRUE
264 0,962163405 0,962163405 Sama Defender Defender TRUE
265 0,951204248 0,951204248 Sama Forward Forward TRUE
266 0,983045803 0,983045803 Sama Midfilder Forward FALSE
267 0,952024004 0,952024004 Sama Defender Defender TRUE
268 0,970834232 0,970834232 Sama Midfilder Forward FALSE
269 0,954563514 0,954563514 Sama Defender Midfilder FALSE
270 0,95351849 0,95351849 Sama Midfilder Midfilder TRUE
271 0,954936662 0,954936662 Sama Defender Midfilder FALSE
272 0,986511692 0,986511692 Sama Forward Forward TRUE
273 0,990825147 0,990825147 Sama Midfilder Defender FALSE
274 0,98801238 0,98801238 Sama Midfilder Forward FALSE
275 0,995403489 0,995403489 Sama Defender Defender TRUE
276 0,963634499 0,963634499 Sama Forward Forward TRUE
277 0,965213055 0,965213055 Sama Defender Midfilder FALSE
278 0,956412263 0,956412263 Sama Midfilder Midfilder TRUE
279 0,950633061 0,950633061 Sama Forward Midfilder FALSE
280 0,966587236 0,966587236 Sama Forward Forward TRUE
281 0,970905222 0,970905222 Sama Midfilder Defender FALSE
282 0,994600672 0,994600672 Sama Midfilder Defender FALSE
283 0,952672642 0,952672642 Sama Midfilder Midfilder TRUE
284 0,937916131 0,937916131 Sama Defender Defender TRUE
285 0,916245365 0,916245365 Sama Defender Forward FALSE
286 0,950258451 0,950258451 Sama Midfilder Forward FALSE
287 0,974722596 0,974722596 Sama Defender Defender TRUE
288 0,980098512 0,980098512 Sama Defender Midfilder FALSE
Jumlah data sesuai: 67
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Data Testing Kelompok C
Data No Nilai Similarity c Perbandingan Pelabelan Perbandingan
Manual Program Data Asli Hasil
Testing
289 0,956456586 0,956456586 Sama Forward Midfilder FALSE
290 0,988692654 0,988692654 Sama Defender Defender TRUE
291 0,998508634 0,998508634 Sama Defender Defender TRUE
292 0,982211217 0,982211217 Sama Forward Defender FALSE
293 0,967546896 0,967546896 Sama Forward Forward TRUE
294 0,922015438 0,922015438 Sama Midfilder Defender FALSE
295 0,966848056 0,966848056 Sama Forward Forward TRUE
296 0,998274124 0,998274124 Sama Defender Defender TRUE
297 0,970148366 0,970148366 Sama Midfilder Midfilder TRUE
298 0,978522754 0,978522754 Sama Midfilder Defender FALSE
299 0,94095483 0,94095483 Sama Midfilder Forward FALSE
300 0,961179799 0,961179799 Sama Forward Forward TRUE
301 0,975944112 0,975944112 Sama Forward Midfilder FALSE
302 0,991292383 0,991292383 Sama Defender Defender TRUE
303 0,945483785 0,945483785 Sama Defender Defender TRUE
304 0,96248964 0,96248964 Sama Midfilder Defender FALSE
305 0,976672113 0,976672113 Sama Midfilder Forward FALSE
306 0,985277678 0,985277678 Sama Forward Forward TRUE
307 0,994082612 0,994082612 Sama Midfilder Defender FALSE
308 0,977862841 0,977862841 Sama Defender Midfilder FALSE
309 0,975533543 0,975533543 Sama Defender Midfilder FALSE
310 0,98075114 0,98075114 Sama Defender Defender TRUE
311 0,968303487 0,968303487 Sama Defender Defender TRUE
312 0,966074573 0,966074573 Sama Midfilder Midfilder TRUE
313 0,998725706 0,998725706 Sama Forward Forward TRUE
314 0,961600611 0,961600611 Sama Midfilder Forward FALSE
315 0,997384176 0,997384176 Sama Midfilder Forward FALSE
316 0,932167382 0,932167382 Sama Midfilder Midfilder TRUE
317 0,967868144 0,967868144 Sama Defender Forward FALSE
318 0,991524253 0,991524253 Sama Midfilder Forward FALSE
319 0,957734572 0,957734572 Sama Forward Forward TRUE
320 0,993782795 0,993782795 Sama Midfilder Midfilder TRUE
321 0,98945395 0,98945395 Sama Forward Midfilder FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
322 0,99716178 0,99716178 Sama Defender Defender TRUE
323 0,962804561 0,962804561 Sama Defender Defender TRUE
324 0,98976472 0,98976472 Sama Midfilder Midfilder TRUE
325 0,959073948 0,959073948 Sama Forward Forward TRUE
326 0,995412486 0,995412486 Sama Midfilder Defender FALSE
327 0,961197848 0,961197848 Sama Midfilder Defender FALSE
328 0,999506478 0,999506478 Sama Defender Defender TRUE
329 0,97587642 0,97587642 Sama Midfilder Forward FALSE
330 0,967666662 0,967666662 Sama Defender Defender TRUE
331 0,948692493 0,948692493 Sama Defender Midfilder FALSE
332 0,996583903 0,996583903 Sama Forward Forward TRUE
333 0,996403331 0,996403331 Sama Forward Defender FALSE
334 0,994728376 0,994728376 Sama Midfilder Defender FALSE
335 0,979677356 0,979677356 Sama Defender Defender TRUE
336 0,971199023 0,971199023 Sama Defender Midfilder FALSE
337 0,953093371 0,953093371 Sama Defender Midfilder FALSE
338 0,987291127 0,987291127 Sama Defender Defender TRUE
339 0,97809977 0,97809977 Sama Midfilder Midfilder TRUE
340 0,992607268 0,992607268 Sama Midfilder Defender FALSE
341 0,993814599 0,993814599 Sama Midfilder Midfilder TRUE
342 0,996254189 0,996254189 Sama Forward Forward TRUE
343 0,975408176 0,975408176 Sama Defender Defender TRUE
344 0,957672616 0,957672616 Sama Midfilder Defender FALSE
345 0,97728109 0,97728109 Sama Forward Defender FALSE
346 0,986920725 0,986920725 Sama Midfilder Forward FALSE
347 0,975706142 0,975706142 Sama Midfilder Defender FALSE
348 0,991923511 0,991923511 Sama Defender Defender TRUE
349 0,960085736 0,960085736 Sama Defender Defender TRUE
350 0,979011788 0,979011788 Sama Midfilder Defender FALSE
351 0,992008026 0,992008026 Sama Midfilder Midfilder TRUE
352 0,999360544 0,999360544 Sama Midfilder Midfilder TRUE
353 0,988620152 0,988620152 Sama Defender Defender TRUE
354 0,998481451 0,998481451 Sama Defender Defender TRUE
355 0,946883659 0,946883659 Sama Forward Forward TRUE
356 0,95903798 0,95903798 Sama Midfilder Midfilder TRUE
357 0,957363549 0,957363549 Sama Defender Defender TRUE
358 0,903795812 0,903795812 Sama Forward Defender FALSE
359 0,987039604 0,987039604 Sama Defender Defender TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
360 0,963189324 0,963189324 Sama Defender Defender TRUE
361 0,973772232 0,973772232 Sama Forward Midfilder FALSE
362 0,975944116 0,975944116 Sama Midfilder Defender FALSE
363 0,979772976 0,979772976 Sama Midfilder Forward FALSE
364 0,978181242 0,978181242 Sama Midfilder Defender FALSE
365 0,90735731 0,90735731 Sama Defender Defender TRUE
366 0,995599802 0,995599802 Sama Defender Defender TRUE
367 0,964604132 0,964604132 Sama Defender Defender TRUE
368 0,966684117 0,966684117 Sama Defender Defender TRUE
369 0,98370714 0,98370714 Sama Forward Forward TRUE
370 0,96661761 0,96661761 Sama Forward Midfilder FALSE
371 0,968993928 0,968993928 Sama Midfilder Forward FALSE
372 0,993625497 0,993625497 Sama Midfilder Forward FALSE
373 0,991941803 0,991941803 Sama Defender Defender TRUE
374 0,966436438 0,966436438 Sama Forward Forward TRUE
375 0,970475882 0,970475882 Sama Defender Defender TRUE
376 0,969200462 0,969200462 Sama Midfilder Forward FALSE
377 0,956224632 0,956224632 Sama Midfilder Defender FALSE
378 0,995282427 0,995282427 Sama Defender Defender TRUE
379 0,990320037 0,990320037 Sama Defender Defender TRUE
380 0,967857803 0,967857803 Sama Midfilder Forward FALSE
381 0,994897052 0,994897052 Sama Midfilder Defender FALSE
382 0,968210751 0,968210751 Sama Defender Defender TRUE
383 0,977973351 0,977973351 Sama Defender Defender TRUE
384 0,943625228 0,943625228 Sama Defender Defender TRUE
385 0,982598278 0,982598278 Sama Forward Forward TRUE
386 0,917794708 0,917794708 Sama Defender Midfilder FALSE
387 0,965416244 0,965416244 Sama Defender Forward FALSE
388 0,961920588 0,961920588 Sama Forward Forward TRUE
389 0,965503187 0,965503187 Sama Defender Defender TRUE
390 0,953472011 0,953472011 Sama Midfilder Midfilder TRUE
391 0,999408684 0,999408684 Sama Forward Forward TRUE
392 0,988795608 0,988795608 Sama Midfilder Forward FALSE
393 0,921350452 0,921350452 Sama Defender Defender TRUE
394 0,939275843 0,939275843 Sama Midfilder Defender FALSE
395 0,966719665 0,966719665 Sama Midfilder Defender FALSE
396 0,992934315 0,992934315 Sama Defender Defender TRUE
397 0,971608111 0,971608111 Sama Forward Defender FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
398 0,989078462 0,989078462 Sama Forward Midfilder FALSE
399 0,989867777 0,989867777 Sama Forward Midfilder FALSE
400 0,95058718 0,95058718 Sama Defender Defender TRUE
401 0,970036611 0,970036611 Sama Defender Defender TRUE
402 0,943494124 0,943494124 Sama Defender Defender TRUE
403 0,994452352 0,994452352 Sama Midfilder Defender FALSE
404 0,945842792 0,945842792 Sama Defender Defender TRUE
405 0,984570818 0,984570818 Sama Midfilder Midfilder TRUE
406 0,986536092 0,986536092 Sama Defender Defender TRUE
407 0,944191026 0,944191026 Sama Midfilder Forward FALSE
408 0,984195394 0,984195394 Sama Midfilder Defender FALSE
409 0,96199233 0,96199233 Sama Midfilder Defender FALSE
410 0,987180816 0,987180816 Sama Forward Midfilder FALSE
411 0,968962536 0,968962536 Sama Forward Forward TRUE
412 0,944356582 0,944356582 Sama Defender Defender TRUE
413 0,998243718 0,998243718 Sama Defender Midfilder FALSE
414 0,991696558 0,991696558 Sama Midfilder Defender FALSE
415 0,989573787 0,989573787 Sama Midfilder Midfilder TRUE
416 0,992534078 0,992534078 Sama Defender Defender TRUE
417 0,964920198 0,964920198 Sama Midfilder Midfilder TRUE
418 0,930979031 0,930979031 Sama Midfilder Forward FALSE
419 0,946953082 0,946953082 Sama Defender Defender TRUE
420 0,984457057 0,984457057 Sama Defender Defender TRUE
421 0,979511032 0,979511032 Sama Forward Midfilder FALSE
422 0,988738949 0,988738949 Sama Midfilder Defender FALSE
423 0,989396733 0,989396733 Sama Midfilder Defender FALSE
424 0,995006304 0,995006304 Sama Midfilder Defender FALSE
425 0,941361762 0,941361762 Sama Defender Defender TRUE
426 0,967684522 0,967684522 Sama Forward Forward TRUE
427 0,992065556 0,992065556 Sama Defender Defender TRUE
428 0,963647833 0,963647833 Sama Defender Midfilder FALSE
429 0,996673459 0,996673459 Sama Forward Forward TRUE
430 0,976544912 0,976544912 Sama Defender Defender TRUE
431 0,97875907 0,97875907 Sama Defender Forward FALSE
432 0,94280315 0,94280315 Sama Defender Defender TRUE
Jumlah data sesuai: 80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Data Testing Kelompok D
Data No Nilai Similarity Perbandingan Pelabelan Perbandingan
Manual Program Data Asli Hasil
Testing
434 0,979713179 0,979713179 Sama Midfilder Defender FALSE
435 0,966392242 0,966392242 Sama Defender Defender TRUE
436 0,979121158 0,979121158 Sama Forward Forward TRUE
437 0,971409178 0,971409178 Sama Forward Midfilder FALSE
438 0,926349691 0,926349691 Sama Defender Midfilder FALSE
439 0,926349691 0,926349691 Sama Defender Midfilder FALSE
440 0,981159766 0,981159766 Sama Defender Defender TRUE
441 0,967651913 0,967651913 Sama Midfilder Midfilder TRUE
442 0,970102804 0,970102804 Sama Midfilder Midfilder TRUE
443 0,980849998 0,980849998 Sama Defender Defender TRUE
444 0,967441495 0,967441495 Sama Midfilder Midfilder TRUE
445 0,972902868 0,972902868 Sama Midfilder Forward FALSE
446 0,970506515 0,970506515 Sama Midfilder Midfilder TRUE
447 0,99934947 0,99934947 Sama Midfilder Midfilder TRUE
448 0,998120925 0,998120925 Sama Midfilder Forward FALSE
449 0,935934732 0,935934732 Sama Defender Defender TRUE
450 0,974755748 0,974755748 Sama Forward Midfilder FALSE
451 0,956799472 0,956799472 Sama Midfilder Defender FALSE
452 0,985635869 0,985635869 Sama Defender Defender TRUE
453 0,964567652 0,964567652 Sama Defender Defender TRUE
454 0,968499624 0,968499624 Sama Defender Midfilder FALSE
455 0,985367623 0,985367623 Sama Defender Defender TRUE
456 0,981967452 0,981967452 Sama Midfilder Midfilder TRUE
457 0,955747666 0,955747666 Sama Forward Forward TRUE
458 0,996427215 0,996427215 Sama Forward Forward TRUE
459 0,99934731 0,99934731 Sama Defender Defender TRUE
460 0,995022465 0,995022465 Sama Midfilder Defender FALSE
461 0,994308744 0,994308744 Sama Midfilder Midfilder TRUE
462 0,962851498 0,962851498 Sama Defender Defender TRUE
463 0,853309659 0,853309659 Sama Midfilder Midfilder TRUE
464 0,973408305 0,973408305 Sama Midfilder Forward FALSE
465 0,988123197 0,988123197 Sama Defender Defender TRUE
466 0,99456164 0,99456164 Sama Defender Defender TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
467 0,984511768 0,984511768 Sama Defender Defender TRUE
468 0,977762222 0,977762222 Sama Midfilder Midfilder TRUE
469 0,983967295 0,983967295 Sama Midfilder Defender FALSE
470 0,963722716 0,963722716 Sama Defender Defender TRUE
471 0,991843285 0,991843285 Sama Midfilder Defender FALSE
472 0,975865526 0,975865526 Sama Forward Midfilder FALSE
473 0,986999509 0,986999509 Sama Forward Forward TRUE
474 0,984311522 0,984311522 Sama Forward Midfilder FALSE
475 0,989684412 0,989684412 Sama Forward Midfilder FALSE
476 0,961967445 0,961967445 Sama Midfilder Midfilder TRUE
477 0,985667398 0,985667398 Sama Defender Defender TRUE
478 0,979178413 0,979178413 Sama Forward Midfilder FALSE
479 0,988841262 0,988841262 Sama Midfilder Midfilder TRUE
480 0,981004642 0,981004642 Sama Midfilder Midfilder TRUE
481 0,979093902 0,979093902 Sama Defender Defender TRUE
482 0,996727186 0,996727186 Sama Midfilder Midfilder TRUE
483 0,98327964 0,98327964 Sama Midfilder Midfilder TRUE
484 0,973038287 0,973038287 Sama Defender Defender TRUE
485 0,956799249 0,956799249 Sama Midfilder Defender FALSE
486 0,965623984 0,965623984 Sama Midfilder Forward FALSE
487 0,900105596 0,900105596 Sama Forward Forward TRUE
488 0,991046637 0,991046637 Sama Defender Defender TRUE
489 0,989029818 0,989029818 Sama Midfilder Defender FALSE
490 0,98661403 0,98661403 Sama Defender Defender TRUE
491 0,962415796 0,962415796 Sama Midfilder Defender FALSE
492 0,991170453 0,991170453 Sama Forward Forward TRUE
493 0,970637527 0,970637527 Sama Midfilder Midfilder TRUE
494 0,993107763 0,993107763 Sama Forward Midfilder FALSE
495 0,990188438 0,990188438 Sama Forward Forward TRUE
496 0,975428435 0,975428435 Sama Defender Defender TRUE
497 0,961881815 0,961881815 Sama Defender Defender TRUE
498 0,968373975 0,968373975 Sama Defender Defender TRUE
499 0,928038909 0,928038909 Sama Midfilder Midfilder TRUE
500 0,957141974 0,957141974 Sama Forward Forward TRUE
501 0,909188504 0,909188504 Sama Defender Midfilder FALSE
502 0,986414428 0,986414428 Sama Defender Defender TRUE
503 0,95168842 0,95168842 Sama Defender Defender TRUE
504 0,902756857 0,902756857 Sama Midfilder Midfilder TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
505 0,987226199 0,987226199 Sama Forward Forward TRUE
506 0,984888419 0,984888419 Sama Midfilder Defender FALSE
507 0,976849958 0,976849958 Sama Forward Midfilder FALSE
508 0,976281867 0,976281867 Sama Midfilder Midfilder TRUE
509 0,976168818 0,976168818 Sama Defender Defender TRUE
510 0,898374106 0,898374106 Sama Defender Defender TRUE
511 0,980175959 0,980175959 Sama Midfilder Defender FALSE
512 0,995713794 0,995713794 Sama Forward Forward TRUE
513 0,970761275 0,970761275 Sama Forward Forward TRUE
514 0,95352824 0,95352824 Sama Defender Defender TRUE
515 0,9848128 0,9848128 Sama Midfilder Midfilder TRUE
516 0,974216613 0,974216613 Sama Midfilder Defender FALSE
517 0,984934661 0,984934661 Sama Defender Midfilder FALSE
518 0,996636147 0,996636147 Sama Defender Defender TRUE
519 0,978900632 0,978900632 Sama Defender Defender TRUE
520 0,981061383 0,981061383 Sama Defender Defender TRUE
521 0,957917689 0,957917689 Sama Forward Forward TRUE
522 0,959968878 0,959968878 Sama Forward Forward TRUE
523 0,995126991 0,995126991 Sama Midfilder Forward FALSE
524 0,950522917 0,950522917 Sama Midfilder Defender FALSE
525 0,979524332 0,979524332 Sama Midfilder Forward FALSE
526 0,993016729 0,993016729 Sama Midfilder Forward FALSE
527 0,951414342 0,951414342 Sama Forward Forward TRUE
528 0,967093094 0,967093094 Sama Defender Midfilder FALSE
529 0,994971059 0,994971059 Sama Midfilder Defender FALSE
530 0,973251981 0,973251981 Sama Midfilder Midfilder TRUE
531 0,996090256 0,996090256 Sama Forward Forward TRUE
532 0,977525579 0,977525579 Sama Forward Forward TRUE
533 0,979104267 0,979104267 Sama Midfilder Forward FALSE
534 0,982616935 0,982616935 Sama Midfilder Defender FALSE
535 0,976260321 0,976260321 Sama Defender Defender TRUE
536 0,991556806 0,991556806 Sama Forward Forward TRUE
537 0,979460917 0,979460917 Sama Midfilder Forward FALSE
538 0,993736219 0,993736219 Sama Defender Defender TRUE
539 0,952196063 0,952196063 Sama Midfilder Defender FALSE
540 0,978874842 0,978874842 Sama Defender Defender TRUE
541 0,996700819 0,996700819 Sama Defender Defender TRUE
542 0,958525054 0,958525054 Sama Midfilder Midfilder TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
543 0,981526219 0,981526219 Sama Defender Defender TRUE
544 0,940742213 0,940742213 Sama Defender Defender TRUE
545 0,976928968 0,976928968 Sama Midfilder Midfilder TRUE
546 0,936048647 0,936048647 Sama Defender Forward FALSE
547 0,988135196 0,988135196 Sama Defender Midfilder FALSE
548 0,997566028 0,997566028 Sama Midfilder Midfilder TRUE
549 0,981403667 0,981403667 Sama Forward Forward TRUE
550 0,985250799 0,985250799 Sama Forward Forward TRUE
551 0,98391928 0,98391928 Sama Defender Defender TRUE
552 0,996518921 0,996518921 Sama Midfilder Midfilder TRUE
553 0,987768766 0,987768766 Sama Defender Defender TRUE
554 0,985382227 0,985382227 Sama Defender Defender TRUE
555 0,986428374 0,986428374 Sama Midfilder Midfilder TRUE
556 0,986793056 0,986793056 Sama Midfilder Midfilder TRUE
557 0,976503201 0,976503201 Sama Defender Defender TRUE
558 0,994341075 0,994341075 Sama Forward Forward TRUE
559 0,973851217 0,973851217 Sama Defender Defender TRUE
560 0,995605394 0,995605394 Sama Midfilder Defender FALSE
561 0,994980082 0,994980082 Sama Midfilder Midfilder TRUE
562 0,976021943 0,976021943 Sama Forward Forward TRUE
563 0,9226811 0,9226811 Sama Defender Midfilder FALSE
564 0,980926899 0,980926899 Sama Defender Defender TRUE
565 0,996136265 0,996136265 Sama Midfilder Midfilder TRUE
566 0,986557984 0,986557984 Sama Defender Defender TRUE
567 0,990525606 0,990525606 Sama Midfilder Defender FALSE
568 0,971299036 0,971299036 Sama Midfilder Forward FALSE
569 0,964944647 0,964944647 Sama Defender Defender TRUE
570 0,974729593 0,974729593 Sama Midfilder Midfilder TRUE
571 0,977441215 0,977441215 Sama Defender Defender TRUE
572 0,972137552 0,972137552 Sama Midfilder Midfilder TRUE
573 0,992461058 0,992461058 Sama Midfilder Defender FALSE
574 0,980697667 0,980697667 Sama Defender Defender TRUE
575 0,995996517 0,995996517 Sama Forward Forward TRUE
576 0,97400042 0,97400042 Sama Defender Midfilder FALSE
jumlah data sesuai: 97
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Data Testing Kelompok E
Data No Nilai Similarity Perbandingan Pelabelan
Perbandingan Manual Program Data Asli Hasil
Testing
1 0,987865726 0,987865726 Sama Midfilder Midfilder TRUE
2 0,984693682 0,984693682 Sama Forward Midfilder FALSE
3 0,990775556 0,990775556 Sama Forward Midfilder FALSE
4 0,976963708 0,976963708 Sama Defender Defender TRUE
5 0,986530036 0,986530036 Sama Forward Forward TRUE
6 0,966545352 0,966545352 Sama Defender Defender TRUE
7 0,990265633 0,990265633 Sama Defender Defender TRUE
8 0,95848882 0,95848882 Sama Defender Defender TRUE
9 0,985515779 0,985515779 Sama Forward Forward TRUE
10 0,959406582 0,959406582 Sama Midfilder Defender FALSE
11 0,97612084 0,97612084 Sama Defender Defender TRUE
12 0,978476731 0,978476731 Sama Midfilder Forward FALSE
13 0,976832152 0,976832152 Sama Defender Midfilder FALSE
14 0,974615473 0,974615473 Sama Midfilder Forward FALSE
15 0,948006497 0,948006497 Sama Midfilder Defender FALSE
16 0,989988421 0,989988421 Sama Midfilder Forward FALSE
17 0,978303413 0,978303413 Sama Midfilder Midfilder TRUE
18 0,976003199 0,976003199 Sama Forward Midfilder FALSE
19 0,988880302 0,988880302 Sama Forward Forward TRUE
20 0,939164651 0,939164651 Sama Defender Defender TRUE
21 0,995641306 0,995641306 Sama Midfilder Midfilder TRUE
22 0,945991112 0,945991112 Sama Defender Defender TRUE
23 0,985021658 0,985021658 Sama Defender Midfilder FALSE
24 0,961657121 0,961657121 Sama Forward Forward TRUE
25 0,964599868 0,964599868 Sama Forward Forward TRUE
26 0,922378738 0,922378738 Sama Forward Forward TRUE
27 0,994093721 0,994093721 Sama Defender Midfilder FALSE
28 0,974722901 0,974722901 Sama Defender Defender TRUE
29 0,974669332 0,974669332 Sama Forward Forward TRUE
30 0,977608575 0,977608575 Sama Defender Defender TRUE
31 0,99604892 0,99604892 Sama Midfilder Defender FALSE
32 0,998153179 0,998153179 Sama Midfilder Midfilder TRUE
33 0,975523036 0,975523036 Sama Midfilder Midfilder TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34 0,983940018 0,983940018 Sama Forward Forward TRUE
35 0,972157202 0,972157202 Sama Midfilder Midfilder TRUE
36 0,964919544 0,964919544 Sama Defender Defender TRUE
37 0,976921681 0,976921681 Sama Midfilder Midfilder TRUE
38 0,954757892 0,954757892 Sama Defender Defender TRUE
39 0,981352979 0,981352979 Sama Midfilder Midfilder TRUE
40 0,959810253 0,959810253 Sama Defender Defender TRUE
41 0,990777888 0,990777888 Sama Forward Forward TRUE
42 0,975968633 0,975968633 Sama Midfilder Midfilder TRUE
43 0,9608286 0,9608286 Sama Defender Defender TRUE
44 0,952446719 0,952446719 Sama Forward Forward TRUE
45 0,966845379 0,966845379 Sama Defender Midfilder FALSE
46 0,95226347 0,95226347 Sama Defender Midfilder FALSE
47 0,968577157 0,968577157 Sama Defender Midfilder FALSE
48 0,980499561 0,980499561 Sama Defender Defender TRUE
49 0,954336328 0,954336328 Sama Forward Midfilder FALSE
50 0,944712886 0,944712886 Sama Midfilder Midfilder TRUE
51 0,957601723 0,957601723 Sama Midfilder Defender FALSE
52 0,987506353 0,987506353 Sama Defender Defender TRUE
53 0,967839222 0,967839222 Sama Midfilder Midfilder TRUE
54 0,989680496 0,989680496 Sama Midfilder Forward FALSE
55 0,964194755 0,964194755 Sama Defender Midfilder FALSE
56 0,980768658 0,980768658 Sama Midfilder Defender FALSE
57 0,941370215 0,941370215 Sama Midfilder Defender FALSE
58 0,945388054 0,945388054 Sama Midfilder Forward FALSE
59 0,96403582 0,96403582 Sama Defender Defender TRUE
60 0,987770812 0,987770812 Sama Defender Defender TRUE
61 0,993709842 0,993709842 Sama Defender Defender TRUE
62 0,998481177 0,998481177 Sama Midfilder Forward FALSE
63 0,964490714 0,964490714 Sama Midfilder Forward FALSE
64 0,988610349 0,988610349 Sama Midfilder Defender FALSE
65 0,989470415 0,989470415 Sama Midfilder Defender FALSE
66 0,988965231 0,988965231 Sama Midfilder Defender FALSE
67 0,971817736 0,971817736 Sama Defender Midfilder FALSE
68 0,987054047 0,987054047 Sama Defender Midfilder FALSE
69 0,992264071 0,992264071 Sama Forward Forward TRUE
70 0,977567563 0,977567563 Sama Midfilder Forward FALSE
71 0,99586996 0,99586996 Sama Defender Defender TRUE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72 0,990736869 0,990736869 Sama Forward Forward TRUE
73 0,968025199 0,968025199 Sama Midfilder Forward FALSE
74 0,995646471 0,995646471 Sama Defender Midfilder FALSE
75 0,956711783 0,956711783 Sama Defender Forward FALSE
76 0,962705244 0,962705244 Sama Forward Forward TRUE
77 0,979705062 0,979705062 Sama Midfilder Forward FALSE
78 0,970921587 0,970921587 Sama Midfilder Forward FALSE
79 0,980979896 0,980979896 Sama Midfilder Defender FALSE
80 0,990842029 0,990842029 Sama Forward Forward TRUE
81 0,964498613 0,964498613 Sama Forward Forward TRUE
82 0,986728332 0,986728332 Sama Midfilder Forward FALSE
83 0,995651333 0,995651333 Sama Defender Defender TRUE
84 0,949428827 0,949428827 Sama Midfilder Forward FALSE
85 0,992945735 0,992945735 Sama Midfilder Defender FALSE
86 0,977040252 0,977040252 Sama Defender Defender TRUE
87 0,99479123 0,99479123 Sama Defender Defender TRUE
88 0,994080955 0,994080955 Sama Defender Midfilder FALSE
89 0,977106288 0,977106288 Sama Defender Defender TRUE
90 0,974528383 0,974528383 Sama Midfilder Midfilder TRUE
91 0,970460561 0,970460561 Sama Forward Forward TRUE
92 0,993512022 0,993512022 Sama Midfilder Defender FALSE
93 0,954636081 0,954636081 Sama Defender Defender TRUE
94 0,998833943 0,998833943 Sama Midfilder Midfilder TRUE
95 0,98425205 0,98425205 Sama Defender Defender TRUE
96 0,966430369 0,966430369 Sama Forward Forward TRUE
97 0,93789568 0,93789568 Sama Midfilder Forward FALSE
98 0,959408484 0,959408484 Sama Defender Midfilder FALSE
99 0,925007507 0,925007507 Sama Defender Midfilder FALSE
100 0,984699199 0,984699199 Sama Midfilder Forward FALSE
101 0,994031985 0,994031985 Sama Midfilder Forward FALSE
102 0,944765231 0,944765231 Sama Defender Midfilder FALSE
103 0,972736864 0,972736864 Sama Forward Forward TRUE
104 0,973665475 0,973665475 Sama Defender Midfilder FALSE
105 0,976254325 0,976254325 Sama Midfilder Forward FALSE
106 0,990946317 0,990946317 Sama Midfilder Defender FALSE
107 0,896969859 0,896969859 Sama Defender Midfilder FALSE
108 0,996667761 0,996667761 Sama Midfilder Defender FALSE
109 0,966919526 0,966919526 Sama Defender Midfilder FALSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110 0,963387469 0,963387469 Sama Midfilder Defender FALSE
111 0,953817483 0,953817483 Sama Defender Midfilder FALSE
112 0,995713548 0,995713548 Sama Midfilder Defender FALSE
113 0,992025864 0,992025864 Sama Defender Defender TRUE
114 0,968245937 0,968245937 Sama Forward Forward TRUE
115 0,984456498 0,984456498 Sama Defender Defender TRUE
116 0,97979161 0,97979161 Sama Midfilder Forward FALSE
117 0,962044709 0,962044709 Sama Defender Defender TRUE
118 0,979674397 0,979674397 Sama Defender Defender TRUE
119 0,978958662 0,978958662 Sama Defender Defender TRUE
120 0,980478874 0,980478874 Sama Midfilder Defender FALSE
121 0,951949714 0,951949714 Sama Midfilder Midfilder TRUE
122 0,936802751 0,936802751 Sama Midfilder Forward FALSE
123 0,964353218 0,964353218 Sama Forward Forward TRUE
124 0,960057336 0,960057336 Sama Midfilder Forward FALSE
125 0,969387159 0,969387159 Sama Defender Midfilder FALSE
126 0,985711265 0,985711265 Sama Midfilder Midfilder TRUE
127 0,963545017 0,963545017 Sama Midfilder Forward FALSE
128 0,97079831 0,97079831 Sama Defender Defender TRUE
129 0,966255412 0,966255412 Sama Midfilder Defender FALSE
130 0,988081789 0,988081789 Sama Midfilder Forward FALSE
131 0,993523371 0,993523371 Sama Forward Forward TRUE
132 0,960351739 0,960351739 Sama Defender Midfilder FALSE
133 0,957127901 0,957127901 Sama Forward Midfilder FALSE
134 0,99472703 0,99472703 Sama Defender Defender TRUE
135 0,97485113 0,97485113 Sama Defender Defender TRUE
136 0,991125056 0,991125056 Sama Midfilder Defender FALSE
137 0,983687155 0,983687155 Sama Defender Midfilder FALSE
138 0,958526626 0,958526626 Sama Midfilder Defender FALSE
139 0,949533193 0,949533193 Sama Defender Defender TRUE
140 0,989648699 0,989648699 Sama Forward Forward TRUE
141 0,977903787 0,977903787 Sama Defender Midfilder FALSE
142 0,985878235 0,985878235 Sama Defender Midfilder FALSE
143 0,949071264 0,949071264 Sama Defender Defender TRUE
144 0,997097541 0,997097541 Sama Forward Forward TRUE
Jumlah data sesuai: 73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Top Related