PENGELOMPOKAN POSISI PEMAIN SEPAKBOLA DENGAN METODE K-MEANS CLUSTERING SKRIPSI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

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

i


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

ii


iii


iv


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…..

v


vi


vii


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

viii


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.

ix


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.

x


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

xi


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

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

2.2.1

xii


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

Pelabelan.......................……………………………………….......……

25

3.2.1

Pelabelan Data Training…………………………………….......……

25

3.2.2

Pelabelan Data Testing……………………………………………….

27

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

3.2

3.3

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

3.4

xiii


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

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

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

3.4.12

4.3

4.4

DAFTAR PUSTAKA LAMPIRAN

xiv


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


18

Gambar 2.4


18

Gambar 2.5


19

Gambar 2.6


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

xv


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 Gambar 4.7 Gambar 4.8

Pemberitahuan File Telah Selesai Diproses(setelah user .menekan tombol proses)........................................................... Halaman Model......................................................................... Halaman View Detail(untuk melihat data yang masuk kedalam salah satu cluster).......................................................

63 65 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 Gambar 4.17

Halaman View Detail(isi data pemain yang masuk pada salah satu cluster)................................................................................ Halaman Group Tanpa Label.....................................................

xvi

69 70


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

xvii


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

xviii


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 Kmeans Clustering. Algoritma K-Means adalah metode clustering berbasis jarak yang membagi data ke dalam sejumlah cluster.

1

PLAGIAT 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.


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.


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.


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:

5




GS: Games Started



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



FC: Fouls Committed



FS: Fouls Suffered

Pertandingan yang telah diikuti.

kartu merah yang telah diterima. pelanggaran yang telah dilakukan. 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.


 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


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


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=

𝑥𝑡 𝑦 𝑥 |𝑦 |

Dimana ||x|| didefinisikan sebagai

..............Rumus 1

𝑛 2 𝑖=1 𝑥𝑖

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


A: Assists


SG: Shots on goal



FC: Fouls Committed FS: Fouls Suffered

pelanggaran yang telah dilakukan. 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 20 2 +22 +22 2 +15 2 +52 ∗

12 +02 +52 +52 +15 2

20 + 0+ 110 + 75 + 75 400+4+484+225+25 ∗ 280 1138 ∗

276

280

= 33.73

∗ 16.61

1+0+25+25+225


280

= 560.25 = 0.49 2. Data: A1 (20, 2, 22, 15, 5) Centroid: D2 (10, 5, 15, 7, 7) 20∗10 + 2∗5 + 22∗15 + 15∗7 + 5∗7

cos 𝜃= = =

20 2 +22 +22 2 +15 2 +52 ∗

10 2 +52 +15 2 +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) 20∗5+ 2∗3 + 22∗10 + 15∗5 + 5∗6

cos 𝜃= = =

20 2 +22 +22 2 +15 2 +52 ∗

52 +32 +10 2 +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)


20∗2+ 2∗5 + 22∗5 + 15∗3 + 5∗7

cos 𝜃= = =

20 2 +22 +22 2 +15 2 +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: 1

𝜇=𝑛

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


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


A: Assists


SG: Shots on goal



FC: Fouls Committed FS: Fouls Suffered

pelanggaran yang telah dilakukan. 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: 1

𝜇=𝑛

𝑣 data

1

𝜇= 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


A8

2

5

8

8

5

A9

7

16

10

16

10

A10

5

3

12

7

18


𝜇=𝑛

𝑣 data

1

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

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 ).


Nama

G

A

SG

FS

FC

A11

0

3

5

6

20

A12

4

1

7

10

16

A13

5

2

8

11

17

A14

2

0

3

8

14

A15

1

1

4

10

10


𝜇=𝑛

𝑣 data

1

𝜇 = 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 )


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 ).


Nama

G

A

SG

FS

FC

A16

0

1

0

4

2

A17

0

0

0

5

3

A18

1

0

1

3

3

A19

0

0

0

8

1

A20

0

0

0

9

2


𝜇=𝑛

𝑣 data

1

𝜇 = 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 )


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

1

2

3

4

5

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


kelompok data akan bergantian menjadi training dan testing. Pengujian pertama:

1

2

4

3

5

Training

Testing

Gambar 2.2 Metode Evaluasi 5 Cross Validation pengujian 1

Pengujian kedua:

1

3

5

4

2

Training

Testing

Gambar 2.3Metode Evaluasi 5 Cross Validation pengujian 2

Pengujian ketiga:

1

2

4

Training

5

3

Testing



Pengujian keempat:

1

2

3

5

Training

4

Testing


Pengujian lima:

5

2

3

Training

4

1

Testing

Gambar 2.6 Metode Evaluasi 5 Cross Validation Pengujian 5


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).

20


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

Nama Atribut

No Urutan

Nama Atribut

Kolom 1 2 3 4 5 6 7 8 9 10 11

Id_Player Game Started Goals Shots Shots on Goal Assist Fouls Committed Fouls Sufferred Yellow Card Red Card Position

Kolom 1 2 3 4 5 6 7 8 9 10 11

Id_Player Nama Game Started Goals Shots Shots on Goal Assist Fouls Committed Fouls Sufferred Yellow Card Red Card

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.


3.1.1 Data Training dan Data Testing Start

Start

Pemasukan Data Training

Pemasukan Data Testing

Pembentukan Centroid Tiap Cluster

Ambil Data Centroid Model

Simpan Data Centroid/ Model

Penentuan Posisi Pemain

End

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.


3.1.2. Detail Pembentukan Centroid TiapPosisi/Cluster

K=3 3 Centroid acak

Start

Hitung Jarak/ Kemiripan

Tentukan Kelompok

Tidak

Hitung Centroid Baru

Centroid Sama?

Ya

Tentukan Centorid/ Model

End

Gambar 3.3 Flowchart Detail Centroid


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.


3.2. Pelabelan 3.2.1. Pelabelan Data Training

Isi Cluster(3)

Start

Sorting Ascending

5% data dalam cluster > 3?

Tidak

Ambil 3 data dalam cluster teratas

Ya

ambil 5% data dalam cluster teratas

Tentukan Label

End

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


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.


3.2.1. Pelabelan Data Testing Start

Hitung Kemiripan K=3

Ambil Kemiripan Tertinggi

Tentukan Label

End

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.


3.3. Perancangan Sistem 3.3.1

Aktor Dalam aplikasi pengelompokan Posisi Pemain Sepakbola tidak memakai

administrator, sehingga hanya user:

Aktor Pengguna (User)

Hak Akses  Pembentukan centroid tiap cluster/ create centroid model.  Group Dengan Label.  Group Tanpa Label  Personal.

3.3.2. Diagram Use Case

Pembentukan Centroid Tiap Cluster

Group dengan label

Group tanpa label User Personal Gambar 3.6 Diagram Use Case

3.3.3. Tabel Use Case Tabel 3.2 Use Case

No Nama Use Case Deskripsi use case 1 Pembentukan Use case ini menggambarkan Centroid tiap Cluster proses dimana user (Model) memasukkan data training ke

Aktor User


2

Group dengan label

3

Group tanpa Label

4

Personal

sistem. Data training kemudian diolah sistem untuk membuat Model centroid tiap cluster. Use case ini menggambarkan proses untuk memasukkan lebih dari satu data testing yang memiliki label sebelumnya ke sistem dan melakukan pelabelan melalui sistem. Use case ini menggambarkan proses untuk memasukkan lebih dari satu data testing yang tidak memiliki label sebelumnya ke sistem dan melakukan pelabelan melalui sistem. Use case ini menggambarkan proses untuk memasukkan data tunggal testing ke sistem dan melakukan pelabelan.

User

User

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

Nama Use-case: ID Use-case: Prioritas: Sumber: Pelaku Bisnis Utama: Pelaku Lain yang Terlibat

Pembentukan Centroid tiap Cluster Tinggi User -

Tangal: 23 Desember 2010 Versi: 1.0 Jenis Use-Case Kebutuhan Bisnis:


Pihak Lain yang Berkepentingan Deskripsi:

Kondisi Awal: Pemicu:

Urutan Aktifitas Normal :

-

Use case ini menggambarkan proses memasukkan data training ke sistem. Data training digunakan untuk membuat Model centroid tiap cluster. Admin telah masuk ke halaman Home Use case ini digunakan apabila User ingin memasukkan data taining ke dalam sistem dan membuat model. Actor Action System Response

Langkah 1: User menekan tombol “Entry data” Langkah 2: Sistem membuka halaman Create Langkah 3: User menekan tombol “Browse” Langkah 4: Sistem membuka halaman Browse (file selector) Langkah 5: User memilih file data yang akan dipilih, kemudian user menekan tombol ”Open” Langkah 6: Sistem membuka file data yang dipilih. Langkah 7: Sistem menampilkan pesan bahwa data telah berhasil dimasukkan.


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 User berhasil memasukkan data training dan model centroid telah dibuat. User harus memilih file data input yang benar.

Kondisi Akhir: Prosedur Bisnis: Batasan Implementasi dan Spesifikasi

Data yang diinputkan harus sesuai format.

Narasi Use case Group Dengan Label Penulis: A. Cahyo Ridho Nugroho

Nama Use-case: ID Use-case: Prioritas: Sumber: Pelaku Bisnis Utama: Pelaku Lain yang Terlibat Pihak Lain

Group

Tinggi User -



yang Berkepentingan Deskripsi:



-

Use case ini menggambarkan proses untuk memasukkan data testing yang memiliki label ke sistem dan melakukan pelabelan. User telah melakukan pembentukan model centroid User telah masuk ke halaman modelForm Use case ini digunakan apabila user ingin memasukkan data testing yang memiliki label ke dalam sistem dan melakukan pelabelan data. Actor Action System Response

Langkah 1: User menekan tombol “Group Dengan Label” Langkah 2: Sistem membuka halaman Group Langkah 3: User menekan tombol “Browse” Langkah 4: Sistem membuka halaman Browse Langkah 5: User memilih file data yang akan dipilih, kemudian user menekan tombol ”Open” Langkah 6: Sistem membuka file data yang dipilih. Langkah 7: Sistem menampilkan pesan bahwa data telah berhasil dimasukkan.




Kesimpulan: Kondisi Akhir: Prosedur Bisnis: Batasan Implementasi dan Spesifikasi

Langkah 9: Sistem melakukan proses pelabelan posisi pemain.

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. Semua pengguna berhasil memasukkan data testing dan telah dilakukan pengelompokan posisi pemain. User berhasil memasukkan data testing dan pengelompokan posisi pemain. User harus mengisi semua data input yang benar. Data yang diinputkan harus sesuai format.

Narasi Use case Group Tanpa Label Penulis: A. Cahyo Ridho Nugroho

Nama Use-case: ID Use-case: Prioritas: Sumber: Pelaku Bisnis Utama: Pelaku Lain

Group

Tinggi User -



yang Terlibat Pihak Lain yang Berkepentingan Deskripsi:



-

-

Use case ini menggambarkan proses untuk memasukkan data testing tanpa label ke sistem dan melakukan pelabelan. User telah melakukan pembentukan model centroid User telah masuk ke halaman modelForm Use case ini digunakan apabila user ingin memasukkan data testing tanpa label ke dalam sistem dan melakukan pelabelan data. Actor Action System Response

Langkah 1: User menekan tombol “Group Tanpa Label”

Langkah 3: User menekan tombol “Browse”

Langkah 2: Sistem membuka halaman Group Tanpa Label

Langkah 4: Sistem membuka halaman Browse Langkah 5: User memilih file data yang akan dipilih, kemudian user menekan tombol ”Open” Langkah 6: Sistem membuka file data yang dipilih. Langkah 7: Sistem menampilkan pesan bahwa data telah berhasil dimasukkan.





Langkah 9: Sistem melakukan proses pelabelan posisi pemain.

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. Semua pengguna berhasil memasukkan data testing dan telah dilakukan pengelompokan posisi pemain. User berhasil memasukkan data testing dan pengelompokan posisi pemain. User harus mengisi semua data input yang benar. Data yang diinputkan harus sesuai format.

Narasi Use case Personal Penulis: A. Cahyo Ridho Nugroho

Nama Use-case:

Personal

ID Use-case: Prioritas: Sumber: Pelaku Bisnis Utama:

Tinggi User



-

Pelaku Lain yang Terlibat Pihak Lain yang Berkepentingan Deskripsi:



-

-

Use case ini menggambarkan proses untuk memasukkan data testing ke sistem dan melakukan pelabelan. User telah melakukan pembentukan model centroid User telah masuk ke halaman modelForm Use case ini digunakan apabila user ingin memasukkan data testing ke dalam sistem dan pengelompokan. Actor Action System Response

Langkah 1: User menekan tombol “Personal” Langkah 2: Sistem membuka halaman Personal Langkah 3: User mengisikan semua atribut data pemain. Langkah 4: User menekan tombol “Proses” 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.



Semua pengguna berhasil memasukkan data testing dan telah dilakukan pengelompokan posisi pemain. User berhasil memasukkan data testing dan pengelompokan posisi pemain. User harus mengisi semua data input yang benar. Data yang diinputkan harus sesuai format.

3.3.5 Diagram Aktivitas Diagram aktivitas merupakan diagram yang menjelaskan aktivitas user dengan program.


a) Pembentukan Centroid tiap Cluster User

System Klik Tombol Entry Data

Menampilkan halaman Create

Klik tombol Browse

Menampilkan halaman BROWSE (file selector)

Pilih file yang sesuai

Klik tombol open

Menampilkan dialog box, file telah diinputkan

Klik tombol Proses

Menampilkan dialog box, Model Centroid telah terbentuk.

Klik tombol Testing

Klik tombol Home

Menampilkan Halaman Home

Menampilkan halaman Model

Gambar 3.7 Diagram Activity Pembentukan Centroid Tiap Cluster


b) Group Dengan Label User

System

Klik Tombol Group Dengan Label

Menampilkan halaman Group

Klik tombol Browse


Klik file yang sesuai

Klik tombol open


Klik tombol Proses

Menampilkan posisi pemain

Klik tombol View Detail

Klik tombol Group Tanpa Label

Menampilkan Halaman Group Tanpa Label

Klik tombol Personal

Menampilkan halamanPersonal

Menampilkan halaman View Detail

Gambar 3.8 Diagram Activity Group Dengan Label.


c) Group Tanpa Label User

System

Klik Tombol Group Tanpa Label

Menampilkan halaman Group Tanpa Labeli

Klik tombol Browse


Klik file yang sesuai

Klik tombol open


Klik tombol Proses

Menampilkan posisi pemain

Klik tombol View Detail

Klik tombol Group Dengan Label

Menampilkan Halaman Group

Klik tombol Personal

Menampilkan halaman Personal

Menampilkan halaman View Detail NonLabel

Gambar 3.9 Diagram Activity Group Tanpa Label.


d) Personal User

System Klik Tombol Personal

Menampilkan halaman Personal

Isi setiap atribut-atribut pemain pada jText

Klik tombol Proses

Menampilkan posisi pada jText

Klik tombol Reset

Klik tombol Group dengan Label

Menampilkan Halaman Group denga Label

Klik tombol Group dengan Label

Menampilkan Halaman Group tanpa 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.


a) Realisasi Use Case Pembentukan Centroid

Kelas Analisis No 1

Nama Kelas HomeForm

Tipe Interface Boundary

2

createForm

Interface Boundary

3

ClusterCentroid

Controler

4

Cluster

Entity

5

Centroid

Entity

6

Player

Entity

7

BubbleSort

Entity

Deskripsi / Kelas ini berfungsi untuk menyediakan fungsi penampilan Halaman Home / Kelas ini berfungsi untuk menyediakan fungsi penampilan Create Form Kelas ini berfungsi untuk fungsi sebagai fungsi K-mean dan controler. Kelas ini berfungsi untuk menyimpan atribut cluster, menghitung similarity dan mengset centroid baru. Kelas ini berfungsi untuk menyimpan atribut centroid. Kelas ini berfungsi untuk menyimpan atribut player. Kelas ini berfungsi mengurutkan datamenggunakan bubble sort.

Tabel 3.3 Kelas Analisis Pembentukan Centroid


Dinamika Obyek Sistem Border Halaman Home

1. Aktor menekan tombol Browse 2. Aktor Menekan tombol Proses

Tekan tombol Browse

Halaman Browse

Halaman Testing

Player

ClusterCentroid

Cluster

Centroid

BubbleSort

View

Menekan Tombol Proses

setData

data pemain

Data setCentroid

Data

Centroid Centroid Random getSimilarity Similarity Hitung Centroid

Simpan Data

Label

Gambar 3.11 Sequence Pembentukan Centroid tiap Cluster

b) Realisasi Use Case Penentuan Posisi Group Dengan Label

Kelas Analisis No 1

Nama Kelas modelForm


2

GoupForm

Interface Boundary

3

ClusterCentroid

Entity

Deskripsi / Kelas ini berfungsi menyediakan penampilan modelForm. / Kelas ini berfungsi menyediakan penampilan groupForm. Kelas ini berfungsi

untuk fungsi untuk fungsi untuk


4

Cluster

Entity

5

Centroid

Entity

6

Player

Entity

menjalankan fungsi Kmeans Kelas ini berfungsi untuk menyimpan atribut cluster. Kelas ini berfungsi untuk menyimpan atribut centroid Kelas ini berfungsi untuk menyimpan data player

Tabel 3.4 Kelas Analisis Penentuan Posisi group

Dinamika Obyek

Sistem Border Halaman Testing

1. Aktor menekan Tekan tombol Group tombol Group Klasifikasi 2. Aktor Menekan tombol browse

Halaman Group

Player

CulsterCentroid

Cluster

Centroid

View

Menekan Browse

setData Data

3. Aktor menekan tombol Proses


Data getSimilarity

panggil Centroid

Label

Gambar 3.12 Sequence Penentuan Posisi Group Dengan Label.

Similarity


c) Realisasi Use Case Penentuan Posisi Group Tanpa Label

Kelas Analisis No 1

Nama Kelas modelForm


2

GoupNonLabelForm

Interface Boundary

3

ClusterCentroid

Entity

4

Cluster

Entity

5

Centroid

Entity

6

Player

Entity

Deskripsi / Kelas ini berfungsi untuk menyediakan fungsi penampilan modelForm. / Kelas ini berfungsi untuk menyediakan fungsi penampilan form group tanpa label. Kelas ini berfungsi untuk menjalankan fungsi Kmeans Kelas ini berfungsi untuk menyimpan atribut cluster.. Kelas ini berfungsi untuk menyimpan atribut centroid Kelas ini berfungsi untuk menyimpan data player

Tabel 3.5 Kelas Analisis Penentuan Posisi group


Dinamika Obyek

Sistem Border Halaman Testing

1. Aktor menekan Tekan tombol Group tombol Group Klasifikasi 2. Aktor Menekan tombol browse

Halaman Group

Player

CulsterCentroid

Cluster

Centroid

View

Menekan Browse

setData Data

3. Aktor menekan tombol Proses


Data getSimilarity

panggil Centroid

Label

Similarity

Gambar 3.13 Sequence Penentuan Posisi Group Tanpa Label.

d) Realisasi Use Case Penentuan Posisi Personal

Kelas Analisis No 1

Nama Kelas ModelForm


Deskripsi / Kelas ini berfungsi untuk menyediakan fungsi penampilan modelForm


2

PersonalForm

Interface Boundary

3

ClusterCentroid

Controller

4

Cluster

Entity

5

Centroid

Entity

6

Player

Entity

/ Kelas ini berfungsi untuk menyediakan fungsi penampilan form Personal. Kelas ini berfungsi untuk menjalankan K-means dan controller. Kelas ini berfungsi untuk menyimpan atribut cluster. Kelas ini berfungsi untuk menyimpan atribut centroid Kelas ini berfungsi untuk menyimpan data-data pemain

Tabel 3.6 Sequence Penentuan Posisi Personal

Dinamika Obyek Sistem Border Halaman Testing

1. Aktor menekan tombol Personal Klasifikasi 2. Aktor Mengisi Data 3. Aktor menekan tombol Proses

Tekan tombol Personal

Halaman Personal

Player

CulsterCentroid

Cluster

Centroid

View

Mengisi data

Menekan Tombol Personal

setData Data

getSimilarity

panggil Centroid

Similarity Label

Gambar 3.14 Sequence Penentuan Posisi Personal


3.3.7. Diagram Kelas Keseluruhan

HomeForm

BubbleSort

ModelForm

aboutForm

PersonalForm

CreateForm ViewModel ClusterCentroid

GroupDenganLabe lForm

Cluster

PieChart

GroupTanpaLabel Form

ViewDetail

helpForm

Player

ViewDetailNon LabelForm

Centroid

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.

Tools


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.


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.


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.


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.


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.


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


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.


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


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.


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.

A

B

C

D

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 𝑑𝑎 𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔

X 100 %……….Rumus 3


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 Pembentukan

Kelas Desain homeForm

Implementasi File HomeForm.java

Jenis Interface

Centroid model

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

Model Form

Model Form .java

Interface

personalForm

personalForm.java

Interface

ClusterCentroid


Entities

Player

Player.java

Entities

Cluster

Cluster .java

Entities

Centroid

Centroid .java

Entities

Group Dengan

Model Form

Model Form .java

Interface

Label

Groupfrorm

groupForm.java

Interface

Personal

59


Player

player.java

Entities

ClusterCentroid


Entities

Centroid

Centroid.java

Entities

Cluster

Cluster.java

Entities

Group Tanpa

Model Form

Model Form .java

Interface

Label

GroupNonLabelfrorm

groupNonLabelForm.java

Interface

Player

player.java

Entities

ClusterCentroid


Entities

Centroid

Centroid.java

Entities

Cluster

Cluster.java

Entities

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.


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


Gambar 4.2. Halaman Create (sebelum data diinputkan)

Gambar 4.3 Kotak file selector untuk mengambil data


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)


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.


Gambar 4.7.Halaman Model

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


Gambar 4.9.Halaman Grafik.

4.2.3 Halaman Group (dengan label)

Gambar 4.10.Halaman Group


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

Gambar 4.12. Pemberitahuan File telah diinputkan


Gambar 4.13Halaman Group ( Setelah file diinputkan)

Gambar 4.14 .Halaman Group ( Setelah file diproses)


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


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.


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.


4.2.5 Halaman Personal

Gambar 4.20.Halaman Personal

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


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.


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()));


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 dataAcak = new ArrayList(); 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; } }


} 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) {


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


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.


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;


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);


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


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.


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: 1 144 A

145 288 B

289 432 C

433 576 D

576 719 E

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.


Uji coba ke 1

Iterasi 11

2

8

3

37

4

6

5

12

6

10

7

9

8

13

9

11

10

7

Cluster 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

G 0,0448635 0,3427633 0,1403432 0,0440151 0,1431861 0,3459036 0,1584396 0,3463034 0,0495172 0,0494824 0,3418835 0,1536892 0,1403432 0,0448635 0,3427633 0,0448635 0,3427633 0,1403432 0,3459036 0,0440447 0,1426029 0,3427633 0,0448635 0,1403432 0,3375698 0,139153 0,0500063 0,1403432 0,0448635 0,3427633

S 0,592504 2,6867527 1,2444336 0,5872688 1,2665672 2,7057643 1,3727828 2,7204563 0,6178482 0,619281 2,682084 1,3430986 1,2444336 0,592504 2,6867527 0,592504 2,6867527 1,2444336 2,7057643 0,5872463 1,2628641 2,6867527 0,592504 1,2444336 2,6520382 1,2481568 0,6183793 1,2444336 0,592504 2,6867527

Tabel 4.2 Percobaan data kelompok A Centroid SoG Ass FC 0,1663306 0,0549373 1,6553006 1,0445358 0,1652636 1,3284984 0,4522618 0,1207346 1,2523787 0,1637409 0,0556852 1,6496524 0,4633665 0,1214127 1,2616814 1,0506933 0,1644923 1,3282409 0,5091452 0,1305336 1,2136631 1,0549565 0,1640205 1,3340002 0,1784098 0,0589609 1,6300517 0,1786374 0,0589615 1,6328521 1,0417629 0,1638526 1,3259697 0,495037 0,128648 1,2144688 0,4522618 0,1207346 1,2523787 0,1663306 0,0549373 1,6553006 1,0445358 0,1652636 1,3284984 0,1663306 0,0549373 1,6553006 1,0445358 0,1652636 1,3284984 0,4522618 0,1207346 1,2523787 1,0506933 0,1644923 1,3282409 0,163807 0,0546657 1,6516205 0,4616346 0,1223736 1,2612611 1,0445358 0,1652636 1,3284984 0,1663306 0,0549373 1,6553006 0,4522618 0,1207346 1,2523787 1,0315076 0,163197 1,3327213 0,4542278 0,1204079 1,2181494 0,1768059 0,0590565 1,6517752 0,4522618 0,1207346 1,2523787 0,1663306 0,0549373 1,6553006 1,0445358 0,1652636 1,3284984

FS 1,0387675 1,3892658 1,9454999 1,0355415 1,9459787 1,3794744 2,0301866 1,3639441 1,092934 1,0924008 1,3770175 2,0421055 1,9454999 1,0387675 1,3892658 1,0387675 1,3892658 1,9454999 1,3794744 1,0345936 1,9422055 1,3892658 1,0387675 1,9454999 1,3874934 2,0063521 1,0595243 1,9454999 1,0387675 1,3892658

YC 0,1005388 0,0940536 0,1049547 0,1006505 0,1039751 0,0947324 0,1055573 0,095055 0,0998025 0,0997357 0,0945052 0,1067338 0,1049547 0,1005388 0,0940536 0,1005388 0,0940536 0,1049547 0,0947324 0,1007631 0,1038108 0,0940536 0,1005388 0,1049547 0,093253 0,1077218 0,0997614 0,1049547 0,1005388 0,0940536 Rata-rata akurasi

RC 0,0165354 0,0091279 0,0087561 0,0166916 0,0084895 0,0092083 0,0087106 0,0092156 0,0156224 0,0156809 0,0090367 0,0088224 0,0087561 0,0165354 0,0091279 0,0165354 0,0091279 0,0087561 0,0092083 0,0166054 0,0086464 0,0091279 0,0165354 0,0087561 0,0088546 0,0090306 0,0161314 0,0087561 0,0165354 0,0091279

Label Defender Midfilder Forward Defender Midfilder Forward Midfilder Forward Defender Defender Forward Midfilder Midfilder Defender Forward Defender Forward Midfilder Forward Defender Midfilder Forward Defender Midfilder Forward Midfilder Defender Midfilder Defender Forward

Akurasi 53,846

53,846

52,447

52,447

53,846

53,846

53,846

53,846

53,146

53,846

53,496


Uji coba ke 1

Iterasi 16

2

11

3

17

4

10

5

10

6

10

7

8

8

11

9

20

10

9

Cluster 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

G 0,3156 0,130418 0,042462 0,3156 0,042462 0,130418 0,3156 0,042462 0,130418 0,130418 0,3156 0,042462 0,042462 0,130418 0,3156 0,042462 0,3156 0,130418 0,130418 0,042462 0,3156 0,3156 0,130418 0,042462 0,130418 0,042462 0,3156 0,3156 0,042462 0,130418

S 2,3802499 1,2739592 0,5428228 2,3802499 0,5428228 1,2739592 2,3802499 0,5428228 1,2739592 1,2739592 2,3802499 0,5428228 0,5428228 1,2739592 2,3802499 0,5428228 2,3802499 1,2739592 1,2739592 0,5428228 2,3802499 2,3802499 1,2739592 0,5428228 1,2739592 0,5428228 2,3802499 2,3802499 0,5428228 1,2739592

Tabel 4.3 Percobaan data kelompok B Centroid SoG Ass FC 0,949088 0,134345 1,238418 0,44625 0,118684 1,301724 0,148884 0,050693 1,657592 0,949088 0,134345 1,238418 0,148884 0,050693 1,657592 0,44625 0,118684 1,301724 0,949088 0,134345 1,238418 0,148884 0,050693 1,657592 0,44625 0,118684 1,301724 0,44625 0,118684 1,301724 0,949088 0,134345 1,238418 0,148884 0,050693 1,657592 0,148884 0,050693 1,657592 0,44625 0,118684 1,301724 0,949088 0,134345 1,238418 0,148884 0,050693 1,657592 0,949088 0,134345 1,238418 0,44625 0,118684 1,301724 0,44625 0,118684 1,301724 0,148884 0,050693 1,657592 0,949088 0,134345 1,238418 0,949088 0,134345 1,238418 0,44625 0,118684 1,301724 0,148884 0,050693 1,657592 0,44625 0,118684 1,301724 0,148884 0,050693 1,657592 0,949088 0,134345 1,238418 0,949088 0,134345 1,238418 0,148884 0,050693 1,657592 0,44625 0,118684 1,301724

FS 1,361674 2,103041 0,994605 1,361674 0,994605 2,103041 1,361674 0,994605 2,103041 2,103041 1,361674 0,994605 0,994605 2,103041 1,361674 0,994605 1,361674 2,103041 2,103041 0,994605 1,361674 1,361674 2,103041 0,994605 2,103041 0,994605 1,361674 1,361674 0,994605 2,103041


RC 0,010353 0,012019 0,016792 0,010353 0,016792 0,012019 0,010353 0,016792 0,012019 0,012019 0,010353 0,016792 0,016792 0,012019 0,010353 0,016792 0,010353 0,012019 0,012019 0,016792 0,010353 0,010353 0,012019 0,016792 0,012019 0,016792 0,010353 0,010353 0,016792 0,012019

Label Forward Midfilder Defender Forward Defender Midfilder Forward Defender Midfilder Midfilder Forward Defender Defender Midfilder Forward Defender Forward Midfilder Midfilder Defender Forward Forward Midfilder Defender Midfilder Defender Forward Forward Defender Midfilder

Akurasi 46,277

46,527

46,527

46,527

46,527

46,527

46,527

46,527

46,527

46,527

46,527


Uji coba ke 1

Iterasi 30

2

15

3

8

4

13

5

14

6

12

7

15

8

17

9

8

10

14

Cluster 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

G 0,1477317 0,3224459 0,0442188 0,3197102 0,1444959 0,0443331 0,3234525 0,0375484 0,1377566 0,3197102 0,0443331 0,1444959 0,1444959 0,3197102 0,0443331 0,0443331 0,1444959 0,3197102 0,0443331 0,3197102 0,1444959 0,0442188 0,1477317 0,3224459 0,1372121 0,0411041 0,3259001 0,3224459 0,1477317 0,0442188

S 1,333864 2,382372 0,577362 2,368925 1,310264 0,5773 2,392693 0,531262 1,254551 2,368925 0,5773 1,310264 1,310264 2,368925 0,5773 0,5773 1,310264 2,368925 0,5773 2,368925 1,310264 0,577362 1,333864 2,382372 1,285648 0,536822 2,399393 2,382372 1,333864 0,577362

Tabel 4.4 Percobaan data kelompok C Centroid SoG Ass FC 0,478802 0,120588 1,188359 0,939504 0,1393558 1,159433 0,165462 0,057372 1,525485 0,934082 0,1388229 1,164297 0,467915 0,1212455 1,187228 0,165538 0,0565915 1,525887 0,94241 0,1397147 1,162208 0,146434 0,0531378 1,520576 0,4472 0,1149593 1,250289 0,934082 0,1388229 1,164297 0,165538 0,0565915 1,525887 0,467915 0,1212455 1,187228 0,467915 0,1212455 1,187228 0,934082 0,1388229 1,164297 0,165538 0,0565915 1,525887 0,165538 0,0565915 1,525887 0,467915 0,1212455 1,187228 0,934082 0,1388229 1,164297 0,165538 0,0565915 1,525887 0,934082 0,1388229 1,164297 0,467915 0,1212455 1,187228 0,165462 0,057372 1,525485 0,478802 0,120588 1,188359 0,939504 0,1393558 1,159433 0,455204 0,1161918 1,238925 0,15193 0,0542635 1,523368 0,946116 0,139521 1,15859 0,939504 0,1393558 1,159433 0,478802 0,120588 1,188359 0,165462 0,057372 1,525485

FS 2,0960471 1,1927599 1,0375329 1,2027742 2,1065718 1,0308114 1,2025375 0,9642046 2,0013414 1,2027742 1,0308114 2,1065718 2,1065718 1,2027742 1,0308114 1,0308114 2,1065718 1,2027742 1,0308114 1,2027742 2,1065718 1,0375329 2,0960471 1,1927599 2,006342 0,984326 1,1917744 1,1927599 2,0960471 1,0375329

YC RC 0,109609 0,010069 0,093579 0,011488 0,099702 0,015654 0,093096 0,011224 0,110392 0,010211 0,099768 0,015775 0,093386 0,011488 0,100242 0,016531 0,107373 0,009868 0,093096 0,011224 0,099768 0,015775 0,110392 0,010211 0,110392 0,010211 0,093096 0,011224 0,099768 0,015775 0,099768 0,015775 0,110392 0,010211 0,093096 0,011224 0,099768 0,015775 0,093096 0,011224 0,110392 0,010211 0,099702 0,015654 0,109609 0,010069 0,093579 0,011488 0,106588 0,010041 0,100536 0,016112 0,093777 0,011695 0,093579 0,011488 0,109609 0,010069 0,099702 0,015654 Rata-rat akurasi

Label Midfilder Forward Defender Forward Midfilder Defender Forward Defender Midfilder Forward Defender Midfilder Midfilder Forward Defender Defender Midfilder Forward Defender Forward Midfilder Defender Midfilder Forward Midfilder Defender Forward Forward Midfilder Defender

Akurasi 55,555

54,861

52,77

54,861

54,861

54,861

54,861

55,555

53,472

55,555

54,7212


Uji coba ke 1

Iterasi 10

2

15

3

9

4

14

5

13

6

11

7

15

8

8

9

21

10

11

Cluster 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

G 0,160095 0,301677 0,04638 0,301677 0,04638 0,160095 0,295516 0,047179 0,131925 0,301677 0,160413 0,046626 0,300138 0,156891 0,046424 0,160095 0,04638 0,301677 0,144562 0,30184 0,04287 0,301677 0,046626 0,160413 0,04287 0,144562 0,30184 0,30184 0,144562 0,04287

S 1,458442 2,261437 0,551765 2,261437 0,551765 1,458442 2,241494 0,562879 1,236908 2,261437 1,454925 0,557271 2,258643 1,421651 0,555604 1,458442 0,551765 2,261437 1,313091 2,262529 0,551437 2,261437 0,557271 1,454925 0,551437 1,313091 2,262529 2,262529 1,313091 0,551437

Tabel 4.5 Percobaan data kelompok D Centroid SoG Ass FC 0,519592 0,120336 1,2422478 0,872516 0,132061 1,2010895 0,159191 0,052371 1,5486217 0,872516 0,132061 1,2010895 0,159191 0,052371 1,5486217 0,519592 0,120336 1,2422478 0,869954 0,133941 1,2181663 0,161411 0,052172 1,5901885 0,42415 0,108038 1,2024809 0,872516 0,132061 1,2010895 0,517555 0,120756 1,2301124 0,161754 0,052383 1,5545628 0,87065 0,132531 1,1964553 0,506795 0,117273 1,2377528 0,159812 0,052798 1,5593 0,519592 0,120336 1,2422478 0,159191 0,052371 1,5486217 0,872516 0,132061 1,2010895 0,460827 0,113668 1,2382112 0,876415 0,133568 1,198027 0,155963 0,050552 1,5763294 0,872516 0,132061 1,2010895 0,161754 0,052383 1,5545628 0,517555 0,120756 1,2301124 0,155963 0,050552 1,5763294 0,460827 0,113668 1,2382112 0,876415 0,133568 1,198027 0,876415 0,133568 1,198027 0,460827 0,113668 1,2382112 0,155963 0,050552 1,5763294

FS 1,9642265 1,1015754 1,0222232 1,1015754 1,0222232 1,9642265 1,1931274 0,9981934 1,8908694 1,1015754 1,95714 1,0299545 1,1096807 1,9479221 1,0192008 1,9642265 1,0222232 1,1015754 1,8914847 1,1585943 1,0010699 1,1015754 1,0299545 1,95714 1,0010699 1,8914847 1,1585943 1,1585943 1,8914847 1,0010699


RC 0,008744 0,011792 0,014781 0,011792 0,014781 0,008744 0,011325 0,015127 0,009113 0,011792 0,008801 0,014725 0,011645 0,008951 0,014817 0,008744 0,014781 0,011792 0,00881 0,011925 0,014941 0,011792 0,014725 0,008801 0,014941 0,00881 0,011925 0,011925 0,00881 0,014941

Label Midfilder Forward Defender Forward Defender Midfilder Forward Defender Midfilder Forward Midfilder Defender Forward Midfilder Defender Midfilder Defender Forward Midfilder Forward Defender Forward Defender Midfilder Defender Midfilder Forward Forward Midfilder Defender

Akurasi 65,734

65,734

67,132

65,734

65,734

65,734

67,832

65,734

67,832

67,832

66,5034


Uji coba ke 1

Iterasi 13

2

8

3

11

4

10

5

9

6

12

7

8

8

9

9

14

10

10

Cluster 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

G 0,3059609 0,1280408 0,0456948 0,1280408 0,0456948 0,3059609 0,3059609 0,0456948 0,1280408 0,3059609 0,1280408 0,0456948 0,3059609 0,0492644 0,1229855 0,0456948 0,128896 0,3062069 0,1280408 0,3059609 0,0456948 0,3084217 0,0437587 0,1343691 0,0456948 0,1280408 0,3059609 0,0492644 0,3059609 0,1229855

S 2,2865774 1,2161585 0,5770799 1,2161585 0,5770799 2,2865774 2,2865774 0,5770799 1,2161585 2,2865774 1,2161585 0,5770799 2,2865774 0,5818869 1,2127364 0,5770799 1,228448 2,2815698 1,2161585 2,2865774 0,5770799 2,2818268 0,5640037 1,2756141 0,5770799 1,2161585 2,2865774 0,5818869 2,2865774 1,2127364

Tabel 4.6 Percobaan data kelompok E Centroid SoG Ass FC 0,8886014 0,1287601 1,171818 0,4253788 0,1277065 1,2655521 0,1673125 0,0523076 1,6461549 0,4253788 0,1277065 1,2655521 0,1673125 0,0523076 1,6461549 0,8886014 0,1287601 1,171818 0,8886014 0,1287601 1,171818 0,1673125 0,0523076 1,6461549 0,4253788 0,1277065 1,2655521 0,8886014 0,1287601 1,171818 0,4253788 0,1277065 1,2655521 0,1673125 0,0523076 1,6461549 0,8886014 0,1287601 1,171818 0,1710667 0,0534593 1,6517034 0,4211611 0,1263884 1,2544338 0,1673125 0,0523076 1,6461549 0,4283494 0,1268983 1,274864 0,8885662 0,1295001 1,1628236 0,4253788 0,1277065 1,2655521 0,8886014 0,1287601 1,171818 0,1673125 0,0523076 1,6461549 0,8899414 0,1307375 1,1460957 0,1612283 0,0508539 1,633946 0,4483495 0,1273927 1,3089655 0,1673125 0,0523076 1,6461549 0,4253788 0,1277065 1,2655521 0,8886014 0,1287601 1,171818 0,1710667 0,0534593 1,6517034 0,8886014 0,1287601 1,171818 0,4211611 0,1263884 1,2544338

FS 1,2668599 2,0284676 0,995744 2,0284676 0,995744 1,2668599 1,2668599 0,995744 2,0284676 1,2668599 2,0284676 0,995744 1,2668599 1,002592 2,0243766 0,995744 2,0332841 1,2581092 2,0284676 1,2668599 0,995744 1,2332501 0,9860608 2,0432298 0,995744 2,0284676 1,2668599 1,002592 1,2668599 2,0243766


RC 0,0120872 0,0091569 0,0153709 0,0091569 0,0153709 0,0120872 0,0120872 0,0153709 0,0091569 0,0120872 0,0091569 0,0153709 0,0120872 0,0153079 0,0092156 0,0153709 0,009099 0,0121567 0,0091569 0,0120872 0,0153709 0,0125164 0,0154344 0,0087661 0,0153709 0,0091569 0,0120872 0,0153079 0,0120872 0,0092156

Label Forward Midfilder Defender Midfilder Defender Forward Forward Defender Midfilder Forward Midfilder Defender Forward Defender Midfilder Defender Midfilder Forward Midfilder Forward Defender Forward Defender Midfilder Defender Midfilder Forward Defender Forward Midfilder

Akurasi 50,694

50,694

50,694

50,694

50,694

50,694

50,694

52,083

50,694

50,694

50,832


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).


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 1 2 3 4 5

Data Training A, B, C, D A, C, D, E A, B, D, E A, B, C, E B, C, D, E,

Data Testing E B C D A Rata-rata akurasi

Total Data Training 575 575 575 575 576

Total Data Testing 144 144 144 143 143

Akurasi 53,49% 46,52% 54,72% 66,50% 50,83%

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:


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.


Tabel 4.8. Data Pelabelan Data Testing

Cluster

Benar Forward

A

Forward Midfilder Defender

Total B


Total C


Total D


Total E

Total


21 17 39 77 53,49% 18 18 31 67 46,52% 18 14 48 80 55,55% 22 30 45 97 67,83% 23 15 35 73 50,69%

11 0 11 7,69% 7 1 8 5,55% 9 5 14 9,72% 9 0 9 6,29% 5 0 5 3,47%

Salah Midfilder 16 25 41 27,08% 27 15 42 29,16% 15 24 39 27,08% 10 18 28 19,58% 22 20 42 29,16%

Akurasi Defender 9 5 14 7,63% 5 22 27 18,75% 3 8 11 7,63% 1 8 9 6,29% 1 23

Forward 46% 51,51% 60,93% Akurasi

33,33%

Forward 36% 38,29% 65,95% Akurasi

14,89% 2,12% Forward

50% 45,16% 62,33% Akurasi

29,03% 6,49% Forward

67% 63,82% 71,42% Akurasi

39,06% Ketidakakurasian Midfilder 54,00% 31,91% Ketidakakurasian Midfilder 41,66% 31,16% Ketidakakurasian Midfilder 30,30%

19,14%

Forward 50% 34,88% 63,63%

Ketidakakurasian Midfilder 34,78%

28,57% Ketidakakurasian Midfilder 47,82%

11,62% 36,36%

24 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.

Defender 6,29% 15,15%

Defender 10,00% 46,80%

Defender 8,33% 25,80%

Defender 3,03% 17,02%

Defender 2,17% 53,48%


Tabel 4.9. Kemiripan Antar Centroid. Kemiripan Antar Centroid 1

2

3

G 0,30184 0,14456

S 2,2625 1,3131

SoG 0,8764 0,4608

Centroid Ass 0,1336 0,1137

FC 1,198 1,2382

FS 1,1586 1,8915

YC 0,0926 0,1074

RC 0,0119 0,0088

Label Forward Midfilder

0,30184 0,04287

2,2625 0,5514

0,8764 0,156

0,1336 0,0506

1,198 1,5763

1,1586 1,0011

0,0926 0,1011

0,0119 0,0149

Forward Defender

0,76931

0,14456 0,04287

1,3131 0,5514

0,4608 0,156

0,1137 0,0506

1,2382 1,5763

1,8915 1,0011

0,1074 0,1011

0,0088 0,0149

Midfilder Defender

0,89487

Similarity 0,90193


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%. (ratarata 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. 94


5. Program yang dibuat berbasis web sehingga dapat digunakan dimana saja.


DAFTAR PUSTAKA

Santosa, Budi, 2007, Teknik Pemanfaatan Data Mining untuk Keperluan Bisnis, Graha Ilmu, Yogyakarta. Osma L Zaiane, Eli Hagen, Jiawei Han, Word taxonomy for on-line visual Asset management asest management and mining fourth internasional workshop on application of natural language to information system (NLDB’ 99). Kusnawi, 2007, Pengantar Solusi Data Mining, AMIKOM, Yogyakarta Ian H. Witten, Eibe Frank, Mark A. Hall, 2011. Data Mining Practical Machine Learning Tools and Techniques 3rd. USA. Hernawan, Benny, 2004, Menguasai Java 2 & Object Oriented Programing, Andi, Yogyakarta. Nugroho, Adi, 2008, Algoritma dan Struktur Data dalam Bahasa Java, Penerbit Andi, Yogyakarta. Ahcmad Rizal. (2011) K-nearest-neighbor. http://arl.blog.ittelkom.ac.id/blog/2011/07/k-nearest-neighbor-k-n/. diakses tanggal 28 Mei 2012. Data pemain, http://soccernet.espn.go.com/league/, diakses tanggal 17 Juli 2011. http://www.goal.com/id-ID/news/1571/fokus/2012/02/14/2905711/fokus-keuangandistribusi-keuntungan-liga-champions, diakses tanggal 14 April 2012


LAMPIRAN


Tabel Perbandingan Perhitungan Manual dan Program Data Testing Kelompok A Data No

577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608

Nilai Similarity Manual 0,966315581 0,987365811 0,971424794 0,977496682 0,917085569 0,972117776 0,907569715 0,950854845 0,968958723 0,996148962 0,982566956 0,977576454 0,923274204 0,967562415 0,963256682 0,979994897 0,991487136 0,992973263 0,982763219 0,997483646 0,991348712 0,992154455 0,985488006 0,99761769 0,977073113 0,970551603 0,968387771 0,968739258 0,983318123 0,98863155 0,971809738 0,966763501

Program 0,966315581 0,987365811 0,971424794 0,977496682 0,917085569 0,972117776 0,907569715 0,950854845 0,968958723 0,996148962 0,982566956 0,977576454 0,923274204 0,967562415 0,963256682 0,979994897 0,991487136 0,992973263 0,982763219 0,997483646 0,991348712 0,992154455 0,985488006 0,99761769 0,977073113 0,970551603 0,968387771 0,968739258 0,983318123 0,98863155 0,971809738 0,966763501

Perbandingan

Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama

Pelabelan Hasil Data Asli Testing Midfilder Defender Forward Forward Forward Midfilder Forward Forward Midfilder Midfilder Defender Defender Forward Forward Defender Defender Defender Midfilder Defender Defender Forward Forward Midfilder Defender Midfilder Defender Forward Forward Defender Defender Midfilder Midfilder Defender Defender Midfilder Defender Midfilder Midfilder Forward Midfilder Forward Midfilder Midfilder Midfilder Midfilder Defender Defender Defender Defender Defender Defender Defender Forward Midfilder Forward Forward Defender Defender Midfilder Defender Midfilder Forward Midfilder Defender

Perbandingan

FALSE TRUE FALSE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE FALSE FALSE FALSE


609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646

0,980445023 0,979827552 0,910587651 0,977664854 0,994154877 0,985530038 0,462000633 0,672258075 0,673406961 0,433087546 0,673406961 0,433087546 0,433087546 0,664799483 0,433087546 0,580472235 0,047412624 0,462000633 0,937961024 0,975939061 0,964058197 0,952609413 0,972810655 0,989171457 0,987400816 0,968585694 0,993610484 0,971735095 0,994794122 0,965087396 0,970611938 0,983546951 0,986920928 0,996264108 0,956603585 0,99057431 0,989660457 0,997922178

0,980445023 0,979827552 0,910587651 0,977664854 0,994154877 0,985530038 0,462000633 0,672258075 0,673406961 0,433087546 0,673406961 0,433087546 0,433087546 0,664799483 0,433087546 0,580472235 0,047412624 0,462000633 0,937961024 0,975939061 0,964058197 0,952609413 0,972810655 0,989171457 0,987400816 0,968585694 0,993610484 0,971735095 0,994794122 0,965087396 0,970611938 0,983546951 0,986920928 0,996264108 0,956603585 0,99057431 0,989660457 0,997922178

Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama

Midfilder Defender Defender Forward Forward Forward Defender Midfilder Forward Defender Forward Midfilder Forward Midfilder Defender Defender Defender Forward Midfilder Defender Forward Midfilder Defender Midfilder Midfilder Defender Defender Midfilder Midfilder Midfilder Midfilder Defender Defender Midfilder Defender Midfilder Forward Forward

Forward Defender Defender Forward Midfilder Forward Forward Forward Forward Forward Forward Forward Forward Forward Forward Forward Defender Forward Forward Defender Midfilder Midfilder Defender Defender Forward Defender Defender Defender Forward Midfilder Forward Defender Midfilder Defender Defender Forward Forward Forward

FALSE TRUE TRUE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE TRUE FALSE FALSE FALSE TRUE TRUE FALSE TRUE FALSE TRUE TRUE FALSE FALSE TRUE TRUE FALSE FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE TRUE


647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684

0,983624487 0,960681085 0,95208949 0,994475397 0,964105979 0,986920003 0,979932085 0,993804782 0,969642876 0,943018263 0,994269442 0,966119134 0,98854046 0,985312371 0,961437315 0,950866757 0,972555396 0,977819096 0,655588251 0,055779483 0,433087546 0,669616845 0,580472235 0,667513385 0,462000633 0,462000633 0,047412624 0,639237241 0,669011838 0,655588251 0,054208226 0,995759399 0,981039173 0,972482509 0,988741276 0,997867278 0,979163716 0,958922485

0,983624487 0,960681085 0,95208949 0,994475397 0,964105979 0,986920003 0,979932085 0,993804782 0,969642876 0,943018263 0,994269442 0,966119134 0,98854046 0,985312371 0,961437315 0,950866757 0,972555396 0,977819096 0,655588251 0,055779483 0,433087546 0,669616845 0,580472235 0,667513385 0,462000633 0,462000633 0,047412624 0,639237241 0,669011838 0,655588251 0,054208226 0,995759399 0,981039173 0,972482509 0,988741276 0,997867278 0,979163716 0,958922485


Midfilder Defender Defender Midfilder Defender Forward Defender Midfilder Midfilder Midfilder Defender Defender Forward Midfilder Forward Defender Defender Midfilder Defender Midfilder Defender Midfilder Midfilder Forward Defender Midfilder Defender Defender Forward Midfilder Midfilder Defender Defender Midfilder Defender Midfilder Forward Defender

Defender Defender Defender Midfilder Defender Forward Defender Midfilder Defender Forward Defender Defender Midfilder Defender Forward Midfilder Defender Midfilder Forward Defender Forward Forward Forward Forward Forward Forward Defender Forward Forward Forward Defender Defender Defender Midfilder Defender Defender Forward Defender

FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE FALSE FALSE TRUE FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE TRUE TRUE


685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719

0,969000002 0,978918837 0,963402896 0,961213614 0,986292046 0,978984769 0,947693341 0,977997722 0,99236731 0,987226826 0,942110747 0,934071485 0,988387443 0,989095174 0,983707489 0,965790061 0,97879159 0,98491007 0,997768896 0,976212507 0,97599953 0,970615696 0,958912325 0,875754001 0,863341798 0,988463801 0,997836637 0,946416256 0,932114509 0,922121773 0,991855939 0,992282502 0,998185963 0,967045002 0,977028492

0,969000002 0,978918837 0,963402896 0,961213614 0,986292046 0,978984769 0,947693341 0,977997722 0,99236731 0,987226826 0,942110747 0,934071485 0,988387443 0,989095174 0,983707489 0,965790061 0,97879159 0,98491007 0,997768896 0,976212507 0,97599953 0,970615696 0,958912325 0,875754001 0,863341798 0,988463801 0,997836637 0,946416256 0,932114509 0,922121773 0,991855939 0,992282502 0,998185963 0,967045002 0,977028492

Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama

Midfilder Forward Midfilder Midfilder Forward Midfilder Defender Defender Midfilder Defender Midfilder Defender Midfilder Midfilder Midfilder Defender Defender Defender Midfilder Midfilder Defender Defender Midfilder Defender Defender Defender Midfilder Midfilder Defender Defender Defender Defender Midfilder Defender Defender Forward Forward Midfilder Midfilder Midfilder Defender Defender Forward Forward Midfilder Defender Midfilder Midfilder Defender Midfilder Midfilder Defender Forward Midfilder Defender Defender Midfilder Defender Defender Midfilder Forward Midfilder Midfilder Defender Forward Forward Defender Defender Midfilder Midfilder Jumlah data sesuai:

FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE FALSE FALSE TRUE TRUE TRUE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE TRUE TRUE TRUE 77


Data No

145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178

Nilai Similarity Manual

Program

0,944459615

0,944459615

0,979439015

0,979439015

0,973376959

0,973376959

0,975537027

0,975537027

0,98593431

0,98593431

0,969838773

0,969838773

0,992245119

0,992245119

0,95625137

0,95625137

0,972130368

0,972130368

0,975640086

0,975640086

0,998793408

0,998793408

0,962815867

0,962815867

0,980311056

0,980311056

0,99503732

0,99503732

0,99412384

0,99412384

0,995420706

0,995420706

0,9568788

0,9568788

0,964740697

0,964740697

0,980904789

0,980904789

0,993528009

0,993528009

0,994302978

0,994302978

0,968939242

0,968939242

0,985495061

0,985495061

0,985934616

0,985934616

0,983732174

0,983732174

0,944202746

0,944202746

0,967484642

0,967484642

0,935851024

0,935851024

0,975441426

0,975441426

0,985969998

0,985969998

0,933566885

0,933566885

0,992030479

0,992030479

0,970224776

0,970224776

0,98868753

0,98868753

Data Testing Kelompok B Perbandingan Pelabelan Hasil Data Asli Testing Sama Midfilder Defender Sama Defender Midfilder Sama Defender Forward Sama Midfilder Midfilder Sama Defender Defender Sama Midfilder Midfilder Sama Forward Forward Sama Midfilder Defender Sama Midfilder Defender Sama Defender Defender Sama Defender Defender Sama Defender Defender Sama Forward Midfilder Sama Midfilder Midfilder Sama Midfilder Midfilder Sama Forward Midfilder Sama Midfilder Defender Sama Defender Midfilder Sama Defender Defender Sama Midfilder Midfilder Sama Forward Forward Sama Forward Midfilder Sama Defender Midfilder Sama Defender Defender Sama Midfilder Forward Sama Midfilder Defender Sama Defender Midfilder Sama Defender Forward Sama Midfilder Forward Sama Defender Defender Sama Defender Midfilder Sama Forward Midfilder Sama Midfilder Midfilder Sama Defender Midfilder

Perbandingan

FALSE FALSE FALSE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE FALSE FALSE FALSE TRUE TRUE TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE


179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216

0,92734222

0,92734222

0,961739836

0,961739836

0,983774095

0,983774095

0,968664547

0,968664547

0,901902474

0,901902474

0,947385115

0,947385115

0,94918247

0,94918247

0,981209228

0,981209228

0,944795938

0,944795938

0,938239679

0,938239679

0,981433493

0,981433493

0,992964918

0,992964918

0,95489458

0,95489458

0,984787943

0,984787943

0,961154555

0,961154555

0,98903932

0,98903932

0,989496578

0,989496578

0,959542727

0,959542727

0,914598865

0,914598865

0,981007982

0,981007982

0,975829318

0,975829318

0,972960014

0,972960014

0,985026092

0,985026092

0,973093715

0,973093715

0,95326145

0,95326145

0,961296175

0,961296175

0,979047149

0,979047149

0,960782672

0,960782672

0,946273629

0,946273629

0,979054995

0,979054995

0,972017998

0,972017998

0,951981436

0,951981436

0,975841664

0,975841664

0,967033444

0,967033444

0,982155772

0,982155772

0,938396261

0,938396261

0,912301375

0,912301375

0,955799459

0,955799459


Midfilder Midfilder Forward Defender Midfilder Midfilder Defender Midfilder Defender Midfilder Forward Midfilder Forward Defender Midfilder Defender Midfilder Defender Defender Forward Midfilder Midfilder Midfilder Defender Defender Defender Defender Forward Midfilder Forward Defender Midfilder Defender Defender Midfilder Midfilder Defender Forward

Forward Forward Midfilder Defender Forward Defender Defender Defender Defender Forward Forward Forward Forward Defender Forward Midfilder Defender Defender Forward Forward Forward Forward Forward Defender Midfilder Defender Defender Forward Defender Defender Midfilder Forward Forward Defender Midfilder Forward Defender Forward

FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE TRUE FALSE TRUE TRUE FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE FALSE TRUE FALSE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE TRUE TRUE FALSE TRUE TRUE


217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254

0,99181009

0,99181009

0,961708709

0,961708709

0,976639965

0,976639965

0,955060385

0,955060385

0,944335943

0,944335943

0,997548453

0,997548453

0,976418293

0,976418293

0,979336708

0,979336708

0,98852935

0,98852935

0,960706712

0,960706712

0,985512451

0,985512451

0,995295422

0,995295422

0,987865135

0,987865135

0,972002299

0,972002299

0,969936898

0,969936898

0,977930961

0,977930961

0,989972578

0,989972578

0,968475242

0,968475242

0,989342352

0,989342352

0,957107674

0,957107674

0,954337678

0,954337678

0,981915727

0,981915727

0,986105339

0,986105339

0,989377701

0,989377701

0,99729454

0,99729454

0,96207958

0,96207958

0,90353396

0,90353396

0,96094408

0,96094408

0,956903204

0,956903204

0,967011765

0,967011765

0,974277848

0,974277848

0,917711937

0,917711937

0,961590327

0,961590327

0,937249923

0,937249923

0,994936605

0,994936605

0,985635491

0,985635491

0,968099667

0,968099667

0,995273764

0,995273764


Forward Forward Defender Midfilder Defender Midfilder Defender Midfilder Forward Midfilder Midfilder Midfilder Defender Midfilder Midfilder Defender Forward Defender Forward Defender Midfilder Defender Midfilder Defender Defender Midfilder Midfilder Defender Midfilder Forward Defender Forward Midfilder Midfilder Midfilder Defender Midfilder Midfilder

Forward Midfilder Midfilder Midfilder Midfilder Midfilder Defender Forward Forward Defender Defender Forward Defender Forward Defender Midfilder Forward Defender Forward Midfilder Midfilder Midfilder Forward Midfilder Defender Midfilder Forward Midfilder Midfilder Forward Midfilder Forward Midfilder Forward Forward Defender Forward Forward

TRUE FALSE FALSE TRUE FALSE TRUE TRUE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE TRUE TRUE FALSE TRUE FALSE FALSE FALSE TRUE TRUE FALSE FALSE TRUE TRUE FALSE TRUE TRUE FALSE FALSE TRUE FALSE FALSE


255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288

0,989874966

0,989874966

0,973864632

0,973864632

0,992799218

0,992799218

0,957922102

0,957922102

0,980702164

0,980702164

0,968190714

0,968190714

0,99331758

0,99331758

0,959488453

0,959488453

0,93754642

0,93754642

0,962163405

0,962163405

0,951204248

0,951204248

0,983045803

0,983045803

0,952024004

0,952024004

0,970834232

0,970834232

0,954563514

0,954563514

0,95351849

0,95351849

0,954936662

0,954936662

0,986511692

0,986511692

0,990825147

0,990825147

0,98801238

0,98801238

0,995403489

0,995403489

0,963634499

0,963634499

0,965213055

0,965213055

0,956412263

0,956412263

0,950633061

0,950633061

0,966587236

0,966587236

0,970905222

0,970905222

0,994600672

0,994600672

0,952672642

0,952672642

0,937916131

0,937916131

0,916245365

0,916245365

0,950258451

0,950258451

0,974722596

0,974722596

0,980098512

0,980098512

Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama

Forward Defender Defender Defender Midfilder Defender Midfilder Midfilder Defender Defender Forward Midfilder Defender Midfilder Defender Midfilder Defender Forward Midfilder Midfilder Defender Forward Defender Midfilder Forward Forward Midfilder Midfilder Midfilder Defender Defender Midfilder Defender Defender

Forward Defender Defender Defender Forward Midfilder Midfilder Midfilder Defender Defender Forward Forward Defender Forward Midfilder Midfilder Midfilder Forward Defender Forward Defender Forward Midfilder Midfilder Midfilder Forward Defender Defender Midfilder Defender Forward Forward Defender Midfilder

Jumlah data sesuai:

TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE FALSE TRUE TRUE FALSE TRUE FALSE TRUE FALSE FALSE TRUE TRUE FALSE FALSE TRUE FALSE 67


Data Testing Kelompok C Data No

289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321

Nilai Similarity c Manual 0,956456586 0,988692654 0,998508634 0,982211217 0,967546896 0,922015438 0,966848056 0,998274124 0,970148366 0,978522754 0,94095483 0,961179799 0,975944112 0,991292383 0,945483785 0,96248964 0,976672113 0,985277678 0,994082612 0,977862841 0,975533543 0,98075114 0,968303487 0,966074573 0,998725706 0,961600611 0,997384176 0,932167382 0,967868144 0,991524253 0,957734572 0,993782795 0,98945395

Program 0,956456586 0,988692654 0,998508634 0,982211217 0,967546896 0,922015438 0,966848056 0,998274124 0,970148366 0,978522754 0,94095483 0,961179799 0,975944112 0,991292383 0,945483785 0,96248964 0,976672113 0,985277678 0,994082612 0,977862841 0,975533543 0,98075114 0,968303487 0,966074573 0,998725706 0,961600611 0,997384176 0,932167382 0,967868144 0,991524253 0,957734572 0,993782795 0,98945395

Perbandingan

Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama

Pelabelan Hasil Data Asli Testing Forward Midfilder Defender Defender Defender Defender Forward Defender Forward Forward Midfilder Defender Forward Forward Defender Defender Midfilder Midfilder Midfilder Defender Midfilder Forward Forward Forward Forward Midfilder Defender Defender Defender Defender Midfilder Defender Midfilder Forward Forward Forward Midfilder Defender Defender Midfilder Defender Midfilder Defender Defender Defender Defender Midfilder Midfilder Forward Forward Midfilder Forward Midfilder Forward Midfilder Midfilder Defender Forward Midfilder Forward Forward Forward Midfilder Midfilder Forward Midfilder

Perbandingan

FALSE TRUE TRUE FALSE TRUE FALSE TRUE TRUE TRUE FALSE FALSE TRUE FALSE TRUE TRUE FALSE FALSE TRUE FALSE FALSE FALSE TRUE TRUE TRUE TRUE FALSE FALSE TRUE FALSE FALSE TRUE TRUE FALSE


322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359

0,99716178 0,962804561 0,98976472 0,959073948 0,995412486 0,961197848 0,999506478 0,97587642 0,967666662 0,948692493 0,996583903 0,996403331 0,994728376 0,979677356 0,971199023 0,953093371 0,987291127 0,97809977 0,992607268 0,993814599 0,996254189 0,975408176 0,957672616 0,97728109 0,986920725 0,975706142 0,991923511 0,960085736 0,979011788 0,992008026 0,999360544 0,988620152 0,998481451 0,946883659 0,95903798 0,957363549 0,903795812 0,987039604

0,99716178 0,962804561 0,98976472 0,959073948 0,995412486 0,961197848 0,999506478 0,97587642 0,967666662 0,948692493 0,996583903 0,996403331 0,994728376 0,979677356 0,971199023 0,953093371 0,987291127 0,97809977 0,992607268 0,993814599 0,996254189 0,975408176 0,957672616 0,97728109 0,986920725 0,975706142 0,991923511 0,960085736 0,979011788 0,992008026 0,999360544 0,988620152 0,998481451 0,946883659 0,95903798 0,957363549 0,903795812 0,987039604


Defender Defender Midfilder Forward Midfilder Midfilder Defender Midfilder Defender Defender Forward Forward Midfilder Defender Defender Defender Defender Midfilder Midfilder Midfilder Forward Defender Midfilder Forward Midfilder Midfilder Defender Defender Midfilder Midfilder Midfilder Defender Defender Forward Midfilder Defender Forward Defender

Defender Defender Midfilder Forward Defender Defender Defender Forward Defender Midfilder Forward Defender Defender Defender Midfilder Midfilder Defender Midfilder Defender Midfilder Forward Defender Defender Defender Forward Defender Defender Defender Defender Midfilder Midfilder Defender Defender Forward Midfilder Defender Defender Defender

TRUE TRUE TRUE TRUE FALSE FALSE TRUE FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE FALSE TRUE TRUE FALSE TRUE TRUE TRUE FALSE FALSE FALSE FALSE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE


360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397

0,963189324 0,973772232 0,975944116 0,979772976 0,978181242 0,90735731 0,995599802 0,964604132 0,966684117 0,98370714 0,96661761 0,968993928 0,993625497 0,991941803 0,966436438 0,970475882 0,969200462 0,956224632 0,995282427 0,990320037 0,967857803 0,994897052 0,968210751 0,977973351 0,943625228 0,982598278 0,917794708 0,965416244 0,961920588 0,965503187 0,953472011 0,999408684 0,988795608 0,921350452 0,939275843 0,966719665 0,992934315 0,971608111

0,963189324 0,973772232 0,975944116 0,979772976 0,978181242 0,90735731 0,995599802 0,964604132 0,966684117 0,98370714 0,96661761 0,968993928 0,993625497 0,991941803 0,966436438 0,970475882 0,969200462 0,956224632 0,995282427 0,990320037 0,967857803 0,994897052 0,968210751 0,977973351 0,943625228 0,982598278 0,917794708 0,965416244 0,961920588 0,965503187 0,953472011 0,999408684 0,988795608 0,921350452 0,939275843 0,966719665 0,992934315 0,971608111


Defender Forward Midfilder Midfilder Midfilder Defender Defender Defender Defender Forward Forward Midfilder Midfilder Defender Forward Defender Midfilder Midfilder Defender Defender Midfilder Midfilder Defender Defender Defender Forward Defender Defender Forward Defender Midfilder Forward Midfilder Defender Midfilder Midfilder Defender Forward

Defender Midfilder Defender Forward Defender Defender Defender Defender Defender Forward Midfilder Forward Forward Defender Forward Defender Forward Defender Defender Defender Forward Defender Defender Defender Defender Forward Midfilder Forward Forward Defender Midfilder Forward Forward Defender Defender Defender Defender Defender

TRUE FALSE FALSE FALSE FALSE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE TRUE TRUE TRUE FALSE FALSE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE TRUE FALSE FALSE TRUE FALSE


398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432

0,989078462 0,989867777 0,95058718 0,970036611 0,943494124 0,994452352 0,945842792 0,984570818 0,986536092 0,944191026 0,984195394 0,96199233 0,987180816 0,968962536 0,944356582 0,998243718 0,991696558 0,989573787 0,992534078 0,964920198 0,930979031 0,946953082 0,984457057 0,979511032 0,988738949 0,989396733 0,995006304 0,941361762 0,967684522 0,992065556 0,963647833 0,996673459 0,976544912 0,97875907 0,94280315

0,989078462 0,989867777 0,95058718 0,970036611 0,943494124 0,994452352 0,945842792 0,984570818 0,986536092 0,944191026 0,984195394 0,96199233 0,987180816 0,968962536 0,944356582 0,998243718 0,991696558 0,989573787 0,992534078 0,964920198 0,930979031 0,946953082 0,984457057 0,979511032 0,988738949 0,989396733 0,995006304 0,941361762 0,967684522 0,992065556 0,963647833 0,996673459 0,976544912 0,97875907 0,94280315


Forward Midfilder Forward Midfilder Defender Defender Defender Defender Defender Defender Midfilder Defender Defender Defender Midfilder Midfilder Defender Defender Midfilder Forward Midfilder Defender Midfilder Defender Forward Midfilder Forward Forward Defender Defender Defender Midfilder Midfilder Defender Midfilder Midfilder Defender Defender Midfilder Midfilder Midfilder Forward Defender Defender Defender Defender Forward Midfilder Midfilder Defender Midfilder Defender Midfilder Defender Defender Defender Forward Forward Defender Defender Defender Midfilder Forward Forward Defender Defender Defender Forward Defender Defender Jumlah data sesuai:

FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE FALSE FALSE FALSE TRUE TRUE FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE FALSE FALSE FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE FALSE TRUE 80


Data Testing Kelompok D Data No

434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466

Nilai Similarity Manual 0,979713179 0,966392242 0,979121158 0,971409178 0,926349691 0,926349691 0,981159766 0,967651913 0,970102804 0,980849998 0,967441495 0,972902868 0,970506515 0,99934947 0,998120925 0,935934732 0,974755748 0,956799472 0,985635869 0,964567652 0,968499624 0,985367623 0,981967452 0,955747666 0,996427215 0,99934731 0,995022465 0,994308744 0,962851498 0,853309659 0,973408305 0,988123197 0,99456164

Program 0,979713179 0,966392242 0,979121158 0,971409178 0,926349691 0,926349691 0,981159766 0,967651913 0,970102804 0,980849998 0,967441495 0,972902868 0,970506515 0,99934947 0,998120925 0,935934732 0,974755748 0,956799472 0,985635869 0,964567652 0,968499624 0,985367623 0,981967452 0,955747666 0,996427215 0,99934731 0,995022465 0,994308744 0,962851498 0,853309659 0,973408305 0,988123197 0,99456164

Perbandingan


Pelabelan Hasil Data Asli Testing Midfilder Defender Defender Defender Forward Forward Forward Midfilder Defender Midfilder Defender Midfilder Defender Defender Midfilder Midfilder Midfilder Midfilder Defender Defender Midfilder Midfilder Midfilder Forward Midfilder Midfilder Midfilder Midfilder Midfilder Forward Defender Defender Forward Midfilder Midfilder Defender Defender Defender Defender Defender Defender Midfilder Defender Defender Midfilder Midfilder Forward Forward Forward Forward Defender Defender Midfilder Defender Midfilder Midfilder Defender Defender Midfilder Midfilder Midfilder Forward Defender Defender Defender Defender

Perbandingan

FALSE TRUE TRUE FALSE FALSE FALSE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE FALSE TRUE FALSE FALSE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE


467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504

0,984511768 0,977762222 0,983967295 0,963722716 0,991843285 0,975865526 0,986999509 0,984311522 0,989684412 0,961967445 0,985667398 0,979178413 0,988841262 0,981004642 0,979093902 0,996727186 0,98327964 0,973038287 0,956799249 0,965623984 0,900105596 0,991046637 0,989029818 0,98661403 0,962415796 0,991170453 0,970637527 0,993107763 0,990188438 0,975428435 0,961881815 0,968373975 0,928038909 0,957141974 0,909188504 0,986414428 0,95168842 0,902756857

0,984511768 0,977762222 0,983967295 0,963722716 0,991843285 0,975865526 0,986999509 0,984311522 0,989684412 0,961967445 0,985667398 0,979178413 0,988841262 0,981004642 0,979093902 0,996727186 0,98327964 0,973038287 0,956799249 0,965623984 0,900105596 0,991046637 0,989029818 0,98661403 0,962415796 0,991170453 0,970637527 0,993107763 0,990188438 0,975428435 0,961881815 0,968373975 0,928038909 0,957141974 0,909188504 0,986414428 0,95168842 0,902756857


Defender Midfilder Midfilder Defender Midfilder Forward Forward Forward Forward Midfilder Defender Forward Midfilder Midfilder Defender Midfilder Midfilder Defender Midfilder Midfilder Forward Defender Midfilder Defender Midfilder Forward Midfilder Forward Forward Defender Defender Defender Midfilder Forward Defender Defender Defender Midfilder

Defender Midfilder Defender Defender Defender Midfilder Forward Midfilder Midfilder Midfilder Defender Midfilder Midfilder Midfilder Defender Midfilder Midfilder Defender Defender Forward Forward Defender Defender Defender Defender Forward Midfilder Midfilder Forward Defender Defender Defender Midfilder Forward Midfilder Defender Defender Midfilder

TRUE TRUE FALSE TRUE FALSE FALSE TRUE FALSE FALSE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE FALSE TRUE FALSE TRUE TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE


505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542

0,987226199 0,984888419 0,976849958 0,976281867 0,976168818 0,898374106 0,980175959 0,995713794 0,970761275 0,95352824 0,9848128 0,974216613 0,984934661 0,996636147 0,978900632 0,981061383 0,957917689 0,959968878 0,995126991 0,950522917 0,979524332 0,993016729 0,951414342 0,967093094 0,994971059 0,973251981 0,996090256 0,977525579 0,979104267 0,982616935 0,976260321 0,991556806 0,979460917 0,993736219 0,952196063 0,978874842 0,996700819 0,958525054

0,987226199 0,984888419 0,976849958 0,976281867 0,976168818 0,898374106 0,980175959 0,995713794 0,970761275 0,95352824 0,9848128 0,974216613 0,984934661 0,996636147 0,978900632 0,981061383 0,957917689 0,959968878 0,995126991 0,950522917 0,979524332 0,993016729 0,951414342 0,967093094 0,994971059 0,973251981 0,996090256 0,977525579 0,979104267 0,982616935 0,976260321 0,991556806 0,979460917 0,993736219 0,952196063 0,978874842 0,996700819 0,958525054


Forward Midfilder Forward Midfilder Defender Defender Midfilder Forward Forward Defender Midfilder Midfilder Defender Defender Defender Defender Forward Forward Midfilder Midfilder Midfilder Midfilder Forward Defender Midfilder Midfilder Forward Forward Midfilder Midfilder Defender Forward Midfilder Defender Midfilder Defender Defender Midfilder

Forward Defender Midfilder Midfilder Defender Defender Defender Forward Forward Defender Midfilder Defender Midfilder Defender Defender Defender Forward Forward Forward Defender Forward Forward Forward Midfilder Defender Midfilder Forward Forward Forward Defender Defender Forward Forward Defender Defender Defender Defender Midfilder

TRUE FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE TRUE TRUE FALSE FALSE TRUE TRUE FALSE TRUE FALSE TRUE TRUE TRUE


543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576

0,981526219 0,940742213 0,976928968 0,936048647 0,988135196 0,997566028 0,981403667 0,985250799 0,98391928 0,996518921 0,987768766 0,985382227 0,986428374 0,986793056 0,976503201 0,994341075 0,973851217 0,995605394 0,994980082 0,976021943 0,9226811 0,980926899 0,996136265 0,986557984 0,990525606 0,971299036 0,964944647 0,974729593 0,977441215 0,972137552 0,992461058 0,980697667 0,995996517 0,97400042

0,981526219 0,940742213 0,976928968 0,936048647 0,988135196 0,997566028 0,981403667 0,985250799 0,98391928 0,996518921 0,987768766 0,985382227 0,986428374 0,986793056 0,976503201 0,994341075 0,973851217 0,995605394 0,994980082 0,976021943 0,9226811 0,980926899 0,996136265 0,986557984 0,990525606 0,971299036 0,964944647 0,974729593 0,977441215 0,972137552 0,992461058 0,980697667 0,995996517 0,97400042

Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama Sama

Defender Defender Defender Defender Midfilder Midfilder Defender Forward Defender Midfilder Midfilder Midfilder Forward Forward Forward Forward Defender Defender Midfilder Midfilder Defender Defender Defender Defender Midfilder Midfilder Midfilder Midfilder Defender Defender Forward Forward Defender Defender Midfilder Defender Midfilder Midfilder Forward Forward Defender Midfilder Defender Defender Midfilder Midfilder Defender Defender Midfilder Defender Midfilder Forward Defender Defender Midfilder Midfilder Defender Defender Midfilder Midfilder Midfilder Defender Defender Defender Forward Forward Defender Midfilder jumlah data sesuai:

TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE FALSE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE TRUE TRUE FALSE 97


Data Testing Kelompok E Data No

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

Nilai Similarity Manual 0,987865726 0,984693682 0,990775556 0,976963708 0,986530036 0,966545352 0,990265633 0,95848882 0,985515779 0,959406582 0,97612084 0,978476731 0,976832152 0,974615473 0,948006497 0,989988421 0,978303413 0,976003199 0,988880302 0,939164651 0,995641306 0,945991112 0,985021658 0,961657121 0,964599868 0,922378738 0,994093721 0,974722901 0,974669332 0,977608575 0,99604892 0,998153179 0,975523036

Program 0,987865726 0,984693682 0,990775556 0,976963708 0,986530036 0,966545352 0,990265633 0,95848882 0,985515779 0,959406582 0,97612084 0,978476731 0,976832152 0,974615473 0,948006497 0,989988421 0,978303413 0,976003199 0,988880302 0,939164651 0,995641306 0,945991112 0,985021658 0,961657121 0,964599868 0,922378738 0,994093721 0,974722901 0,974669332 0,977608575 0,99604892 0,998153179 0,975523036

Perbandingan


Pelabelan Hasil Data Asli Testing Midfilder Midfilder Forward Midfilder Forward Midfilder Defender Defender Forward Forward Defender Defender Defender Defender Defender Defender Forward Forward Midfilder Defender Defender Defender Midfilder Forward Defender Midfilder Midfilder Forward Midfilder Defender Midfilder Forward Midfilder Midfilder Forward Midfilder Forward Forward Defender Defender Midfilder Midfilder Defender Defender Defender Midfilder Forward Forward Forward Forward Forward Forward Defender Midfilder Defender Defender Forward Forward Defender Defender Midfilder Defender Midfilder Midfilder Midfilder Midfilder

Perbandingan TRUE FALSE FALSE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE


34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71

0,983940018 0,972157202 0,964919544 0,976921681 0,954757892 0,981352979 0,959810253 0,990777888 0,975968633 0,9608286 0,952446719 0,966845379 0,95226347 0,968577157 0,980499561 0,954336328 0,944712886 0,957601723 0,987506353 0,967839222 0,989680496 0,964194755 0,980768658 0,941370215 0,945388054 0,96403582 0,987770812 0,993709842 0,998481177 0,964490714 0,988610349 0,989470415 0,988965231 0,971817736 0,987054047 0,992264071 0,977567563 0,99586996

0,983940018 0,972157202 0,964919544 0,976921681 0,954757892 0,981352979 0,959810253 0,990777888 0,975968633 0,9608286 0,952446719 0,966845379 0,95226347 0,968577157 0,980499561 0,954336328 0,944712886 0,957601723 0,987506353 0,967839222 0,989680496 0,964194755 0,980768658 0,941370215 0,945388054 0,96403582 0,987770812 0,993709842 0,998481177 0,964490714 0,988610349 0,989470415 0,988965231 0,971817736 0,987054047 0,992264071 0,977567563 0,99586996


Forward Midfilder Defender Midfilder Defender Midfilder Defender Forward Midfilder Defender Forward Defender Defender Defender Defender Forward Midfilder Midfilder Defender Midfilder Midfilder Defender Midfilder Midfilder Midfilder Defender Defender Defender Midfilder Midfilder Midfilder Midfilder Midfilder Defender Defender Forward Midfilder Defender

Forward Midfilder Defender Midfilder Defender Midfilder Defender Forward Midfilder Defender Forward Midfilder Midfilder Midfilder Defender Midfilder Midfilder Defender Defender Midfilder Forward Midfilder Defender Defender Forward Defender Defender Defender Forward Forward Defender Defender Defender Midfilder Midfilder Forward Forward Defender

TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE TRUE FALSE TRUE FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE TRUE


72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109

0,990736869 0,968025199 0,995646471 0,956711783 0,962705244 0,979705062 0,970921587 0,980979896 0,990842029 0,964498613 0,986728332 0,995651333 0,949428827 0,992945735 0,977040252 0,99479123 0,994080955 0,977106288 0,974528383 0,970460561 0,993512022 0,954636081 0,998833943 0,98425205 0,966430369 0,93789568 0,959408484 0,925007507 0,984699199 0,994031985 0,944765231 0,972736864 0,973665475 0,976254325 0,990946317 0,896969859 0,996667761 0,966919526

0,990736869 0,968025199 0,995646471 0,956711783 0,962705244 0,979705062 0,970921587 0,980979896 0,990842029 0,964498613 0,986728332 0,995651333 0,949428827 0,992945735 0,977040252 0,99479123 0,994080955 0,977106288 0,974528383 0,970460561 0,993512022 0,954636081 0,998833943 0,98425205 0,966430369 0,93789568 0,959408484 0,925007507 0,984699199 0,994031985 0,944765231 0,972736864 0,973665475 0,976254325 0,990946317 0,896969859 0,996667761 0,966919526


Forward Midfilder Defender Defender Forward Midfilder Midfilder Midfilder Forward Forward Midfilder Defender Midfilder Midfilder Defender Defender Defender Defender Midfilder Forward Midfilder Defender Midfilder Defender Forward Midfilder Defender Defender Midfilder Midfilder Defender Forward Defender Midfilder Midfilder Defender Midfilder Defender

Forward Forward Midfilder Forward Forward Forward Forward Defender Forward Forward Forward Defender Forward Defender Defender Defender Midfilder Defender Midfilder Forward Defender Defender Midfilder Defender Forward Forward Midfilder Midfilder Forward Forward Midfilder Forward Midfilder Forward Defender Midfilder Defender Midfilder

TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE TRUE FALSE TRUE FALSE FALSE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE


110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144

0,963387469 0,953817483 0,995713548 0,992025864 0,968245937 0,984456498 0,97979161 0,962044709 0,979674397 0,978958662 0,980478874 0,951949714 0,936802751 0,964353218 0,960057336 0,969387159 0,985711265 0,963545017 0,97079831 0,966255412 0,988081789 0,993523371 0,960351739 0,957127901 0,99472703 0,97485113 0,991125056 0,983687155 0,958526626 0,949533193 0,989648699 0,977903787 0,985878235 0,949071264 0,997097541

0,963387469 0,953817483 0,995713548 0,992025864 0,968245937 0,984456498 0,97979161 0,962044709 0,979674397 0,978958662 0,980478874 0,951949714 0,936802751 0,964353218 0,960057336 0,969387159 0,985711265 0,963545017 0,97079831 0,966255412 0,988081789 0,993523371 0,960351739 0,957127901 0,99472703 0,97485113 0,991125056 0,983687155 0,958526626 0,949533193 0,989648699 0,977903787 0,985878235 0,949071264 0,997097541


Midfilder Defender Defender Midfilder Midfilder Defender Defender Defender Forward Forward Defender Defender Midfilder Forward Defender Defender Defender Defender Defender Defender Midfilder Defender Midfilder Midfilder Midfilder Forward Forward Forward Midfilder Forward Defender Midfilder Midfilder Midfilder Midfilder Forward Defender Defender Midfilder Defender Midfilder Forward Forward Forward Defender Midfilder Forward Midfilder Defender Defender Defender Defender Midfilder Defender Defender Midfilder Midfilder Defender Defender Defender Forward Forward Defender Midfilder Defender Midfilder Defender Defender Forward Forward Jumlah data sesuai:

FALSE FALSE FALSE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE FALSE TRUE TRUE FALSE FALSE FALSE TRUE TRUE FALSE FALSE TRUE TRUE 73


PENGELOMPOKAN POSISI PEMAIN SEPAKBOLA DENGAN METODE K-MEANS CLUSTERING SKRIPSI

Recommend Documents