Persebaya Surabaya berhasil mendatangkan penyerang lokal, Patrich Wanggai. Kedatangan Wanggai untuk menambah amunisi di lini depan guna menyongsong Liga 1 2020. Sepertinya dengan datangnya Wanggai berarti Mahmoud Eid akan bermain sebagai CMF. — Angga (@anggaa1996) January 7, 2020. Luar biasa punya pemain multi talenta
Arti Posisi Dalam Sepak Bola DMF Defensife Midfilder Adalah posisi gelandang bertahan, zona permainannya di tengah namun agak ke belakang. Tugasnya membantu pertahanan dari serangan lawan. CMF Center Midfilder Adalah posisi gelandang serang, yang bertugas sebagai membantu serangan tim. Zona permainannya berada di tengah agak ke depan. Biasanya gelandang serang adalah seseorang yang dipercaya pelatih sebagai playmaker, karena mengatur suplai bola untuk kemudian diserahkan ke striker sebagai ujung tombak. RMF Right Midfilder Adalah posisi sayap kanan, pemain sayap yang bertugas untuk memberikan suplai bola untuk striker dari arah kanan lewat umpan crossing. Baca Juga YoWhatsApp Apk By HeyMods Versi Terbaru September 2021, Update Fitur Anti Banned LMF Left Midfilder Adalah posisi sayap kiri, berada di sebelah kiri gelandang atau kadang di beberapa formasi berdiri agak ke belakang atau ke depan. Untuk tugasnya sama dengan sayap kanan. CF Center Forward Adalah posisi striker, posisi ujung tombak dari sebuah tim. Seseorang yang dipercaya berdiri di posisi ini biasanya memiliki insting mencetak gol yang tinggi. Dari beragam posisi di atas, kadang seorang pelatih juga harus memodifikasi atau merotasi posisi seseorang. Kadang seorang pelatih juga menggunakan second striker yang bertugas untuk menunjang stiker jika kesulitan untuk memecah pertahan lawan. Jika Anda bermain sepak bola bersama teman-teman Anda, dimana posisi favorit Anda? Dan sudah optimalkah Anda di posisi tersebut? Laman 1 2
Berkaitandengan penempatan posisi pemain sepak bola itulah kemudian dikenal istilah GK, CB, RB, DMF, CMF dan lainnya. Bagi wartawan sepak bola, menulis istilah posisi pemain dapat merepotkan karena terlalu panjang. Karena itu kalangan ini pun kerap menggunakan istilah seperti GK, CB, RB, DMF, CMF dan lainnya.
Sepak bola merupakan olahraga paling popular dan paling digemari di seluruh dunia. berdasarkan hasil survei yang dilakukan oleh Fédération Internationale de Football Association FIFA pada tahun 2001 menyatakan bahwa sepakbola adalah olahraga paling populer dimainkan hari ini. Survei ini menunjukkan bahwa lebih dari 240 juta orang memainkan olahraga sepak bola di lebih dari 200 negara di hampir setiap bagian dari dunia. Salah satu posisi dalam sepak bola adalah gelandang pemain tengah atau dalam Bahasa Inggris disebut dengan midfielder Posisi gelandang sepak bola terdiri dari beberapa tipe yaitu CMF central midfielder, AMF attacking midfielder, DMF defensive midfielder, RMF right midfielder, LMF left midfielder. Namun, dalam penelitian ini, hanya tiga tipe yang akan digunakan yaitu CMF, DMF, dan AMF. Pada penelitian ini akan diangkat permasalahan yaitu bagaimana seorang pemain gelandang dapat diklasifikasi kedalam posisi atau tipe gelandang yang tepat? Pendekatan yang digunakan yaitu menggunakan pendekatan klasifikasi menggunakan algoritma Naïve Bayes bertujuan untuk melakukan klasifikasi tipe gelandang sepak bola. Dari empat skenario yang dilaksanakan didapatkan bahwa hasil akurasi pada masing-masing scenario adalah sebesar 80%, 80%, dan Content may be subject to copyright. Discover the world's research25+ million members160+ million publication billion citationsJoin for free JUST TI Jurnal Sains Terapan Teknologi Informasi 12, 2 Juli, 2020 46-50 Website ISSN 2579-4510online ISSN 2085-6458print DOI Received 7 July 2020; Revised 24 July 2020; Accepted 6 August 2020 KLASIFIKASI TIPE GELANDANG SEPAK BOLA BERDASARKAN DATA KEMAMPUAN MENGGUNAKAN METODE NAIVE BAYES Ni Wayan Wisswani1, *Tien Rahayu Tulili2, Muhammad Farman Andrijasa3, M. Rangga Satria N4, Siti Jumani 5, Eko Wahyudi 6 1Program Studi Teknik Informatika, Politkenik Negeri Bali 2,4,6Program Studi Teknologi Rekayasa Komputer, Politeknik Negeri Samarinda 3Program Studi Teknik Informatika Multimedia, Politeknik Negeri Samarinda Email wisswani andrijasa mrangga2019 sitijumani898 ekobkrt Abstrak - Sepak bola merupakan olahraga paling popular dan paling digemari di seluruh dunia. berdasarkan hasil survei yang dilakukan oleh Fédération Internationale de Football Association FIFA pada tahun 2001 menyatakan bahwa sepakbola adalah olahraga paling populer dimainkan hari ini. Survei ini menunjukkan bahwa lebih dari 240 juta orang memainkan olahraga sepak bola di lebih dari 200 negara di hampir setiap bagian dari dunia. Salah satu posisi dalam sepak bola adalah gelandang pemain tengah atau dalam Bahasa Inggris disebut dengan midfielder Posisi gelandang sepak bola terdiri dari beberapa tipe yaitu CMF central midfielder, AMF attacking midfielder, DMF defensive midfielder, RMF right midfielder, LMF left midfielder. Namun, dalam penelitian ini, hanya tiga tipe yang akan digunakan yaitu CMF, DMF, dan AMF. Pada penelitian ini akan diangkat permasalahan yaitu bagaimana seorang pemain gelandang dapat diklasifikasi kedalam posisi atau tipe gelandang yang tepat? Pendekatan yang digunakan yaitu menggunakan pendekatan klasifikasi menggunakan algoritma Naïve Bayes bertujuan untuk melakukan klasifikasi tipe gelandang sepak bola. Dari empat skenario yang dilaksanakan didapatkan bahwa hasil akurasi pada masing-masing scenario adalah sebesar 80%, 80%, dan Kata Kunci – klasifikasi, metode naive bayes, machine learning, kecerdasan buatan, weka 1. PENDAHULUAN Sepak bola merupakan olahraga paling popular dan paling digemari di seluruh dunia, pernyataan tersebut barangkali tidak terbantahkan, bahkan ada yang berpendapat bahwa tidak diperlukan sebuah penelitian ilmiah untuk mendapatkan pengesahan atas pernyataan tersebut. Berdasarkan hasil survei yang dilakukan oleh Fédération Internationale de Football Association FIFA pada tahun 2001 menyatakan bahwa sepakbola adalah olahraga paling populer dimainkan hari ini. Survei ini menunjukkan bahwa lebih dari 240 juta orang memainkan olahraga sepak bola di lebih dari 200 negara di hampir setiap bagian dari dunia. Berdasarkan survei diatas bisa dikatakan bahwa sepak bola merupakan olahraga yang paling digemari dan populer di seluruh dunia. Salah satu posisi dalam sepak bola adalah gelandang, pemain tengah atau dalam Bahasa Inggris disebut dengan midfielder. Midfielder adalah pemain yang diposisikan di antara para bek dan penyerang tugas seorang gelandang adalah menghubungkan antara bek dan penyerang, yaitu mencegah agar serangan lawan tidak sampai ke pertahanan dan menggiring bola sampai ke depan untuk diberikan kepada penyerang ketika tim dalam mode penyerangan. Para pemain di posisi ini biasanya paling banyak menguras tenaga. Karena jarak tempuh mereka dalam permainan yang cukup jauh. Hal ini karena gelandang adalah posisi yang menghubungkan antara lini belakang defenders dan lini depan strikers. Tetapi bagi orang awam midfielder hanya mempunyai satu posisi, semua pemain yang berada di lapangan tengah adalah seorang gelandang yang mempunyai tugas yang sama yaitu hanya menjalankan tugas seperti mengoper bola dan membantu penyerangan. Namun demikian, dalam menjalankan tugasnya posisi gelandang sendiri terbagi menjadi beberapa tipe, ada yang lebih condong ke bertahan dan ada juga yang kedudukannya hampir seperti pemain penyerang. Midfielder sebenarnya terbagi menjadi beberapa tipe antara lain CMF central midfielder, AMF attacking midfielder, DMF defensive midfielder, RMF right midfielder, LMF left midfielder. Pengelompokkan pemain bola ke dalam posisi yang tepat tentu saja dilakukan oleh pelatih tim bola. Wisswani, dkk., Klasifikasi Tipe Gelandang Sepak Bola Berdasarkan Data Kemampuan Menggunakan Metode Naive Bayes Pelatih ini biasanya akan menempatkan setiap pemain pada posisi yang tepat berdasarkan dari kemampuan setiap pemain bola, antara lain dribbling, ball control, positioning, interception, sliding tackle, vision, passing, dan stamina. Penempatan para pemain bola khususnya ke dalam posisi CMF, AMF, DMF, RMF, maupun LMF dapat juga dilakukan dengan menggunakan pendekatan menggunakan teknik pembelajaran mesin. Salah satu teknik pembelaran mesin yang dapat digunakan yaitu menggunakan pendekatan klasifikasi. Adapun dalam penelitian ini, metode klasifikasi yang digunakan adalah metode Naïve Bayes. Beberapa penelitian yang telah dilakukan sebelumnya antara lain oleh [1] yaitu melakukan klasifikasi berdasarkan data penduduk miskin yang diperoleh dari Kecamatan Tibawa dengan menggunakan teknik data mining. Atribut yang akan digunakan dalam melakukan klasifikasi penduduk adalah Umur, Pendidikan, Pekrjaan, Penghasilan, Tanggungan, Status Kawin/Belum Kawin. Metode yang digunakan adalah metode Naïve Bayes Classifier, yang merupakan salah satu teknik pengklasifikasian dalam data mining. Berdasarkan penelitian yang dilakukan dihasilkan kesimpulan bahwa, Sistem klasifikasi masyarakat miskin di wilayah pemerintahan Kecamatan Tibawa Kab. Gorontalo dapat direkayasa dan Berdasarkan hasil pengujian confussion matrix dengan teknik split validasi, penggunaan metode klasifikasi naïve bayes terhadap dataset yang telah diambil pada objek penelitian diperoleh tingkat akurasi sebesar 73% atau termasuk dalam kategori Good. Sementara nilai Precision sebesar 92% dan Recall sebesar 86%. Penelitian yang dilakukan oleh [2][3] yaitu tentang klasifikasi nasabah dengan menggunakan metode Naïve Bayes yaitu pendapatan untuk perusahaan asuransi ditentukan oleh jumlah premi yang dibayar oleh nasabah. Banyaknya nasabah yang tidak lancar membayar premi berpengaruh terhadap kinerja serta eksistensi perusahaan sehari-hari. Algoritma Naive Bayes berbasis Backward Elimination bertujuan untuk melakukan klasifikasi nasabah asuransi dengan hasil akurasi 85,89 % dengan delapan atribut weight yaitu umur, jangka waktu, cara bayar, premi, jumlah hari, pekerjaan, penghasilan dan mata uang. Penelitian yang dilakukan oleh [4] yaitu tentang penentuan konsentrasi siswa dilakukan agar setiap siswa dapat belajar lebih banyak dalam mata pelajaran sesuai dengan konsentrasi yang telah ditentukan untuk masing-masing mahasiswa. Untuk menentukan konsentrasi siswa-siswa ini, agar dapat diterapkan metode Naive Bayes dalam mengklasifikasikan konsentrasi siswa berdasarkan data yang dilatih untuk menentukan probabilitas setiap kriteria yang digunakan dalam kriteria nominal serta kriteria numerik dan dari nilai probabilitas dapat diprediksi konsentrasi yang sesuai untuk siswa. Berdasarkan hasil penelitian yang dilakukan untuk mengetahui konsentrasi siswa dengan metode Naive Bayes, keakuratan hasil klasifikasi yang diperoleh sesuai dengan data yang diujikan sebesar 90,8333%, dimana data 120 siswa yang diuji, terdapat sebanyak 109 siswa data berhasil diklasifikasikan dan diprediksi dengan benar Penelitian yang dilakukan oleh [5] yang berjudul “penerapan metode naïve bayes dalam klasifikasi kelayakan keluarga penerima beras rastra” Beras rastra adalah sebuah program pemerintah yang bertujuan untuk meringankan beban keluarga miskin atau hampir miskin dalam hal pangan. Dalam implementasinya pada desa Bandar Siantar Kecamatan Gunung Malela masih belum optimal dikarenakan masih banyak program rastra yang belum tepat sasaran. Konsep data mining akan mempermudahkan mengatasi masalah yang belum optimal di desa Bandar Siantar Kecamatan Gunung Malela. Maka, metode klasifikasi mampu menemukan model yang membedakankonsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objekyang labelnya tidak diketahui. Oleh sebab itu algoritma Naive Bayes dapat memprediksipeluang di masa depan berdasarkan pengalaman dimasa sebelumnya, pada penelitian ini peneliti mengambil data lati sebanyak 70 data dan sebuah data uji, dengan menggunakan 6 kriteria yaitu Status PKH, Jumlah Tanggungan, Kepala rumah Tangga, Kondisi Rumah, Jumlah Penghasilan, dan Status Pemilik penilitian ini diharapkan dapat membantu pemerintah khususnya di dearah dalam menentukan kelayakan keluarga penerima beras Rastra. Dan juga beberapa penelitian lainnya yang mengimplementasikan metode Naïve Bayes untuk mengklasifikasi data pada beberapa area kehidupan JUST TI Jurnal Sains Terapan Teknologi Informasi 12, 2 Juli, 2020 46-50 ISSN 2579-4510online ISSN 2085-6458print disekitar kita membuktikan bahwa saat ini penambangan data dengan metode pendekatan pembelajaran mesin menjadi cukup popular diimplementasikan [6][7][8][9][10]. Pada penelitian ini, penempatan pemain bola khususnya pemain dengan posisi gelandang tengah akan diklasifikasi ke dalam tiga posisi gelandang tengah yaitu AMF, DMF, dan CMF dengan menggunakan metode Naïve Bayes. 2. METODOLOGI PENELITIAN Penelitian ini dilaksanakn sesuai dengan metodologi penelitian yang digambarkan pada gambar 1. Pada pengumpulan data, data yang digunakan yaitu Data kemampuan seorang gelandang sepak bola berdasarkan game FIFA dan didapat dari website resmi EA SPORTS [10], yaitu data pemain sepak bola yang berposisi sebagai gelandang yang masih aktif bermain. Jumlah data gelandang sepak bola yang digunakan berjumlah 101 data. Data inilah yang disebut sebagai dataset. Tipe gelandang sepak bola yang digunakan dalam penelitian ini adalah CMF, AMF, DMF. Selanjutnya, data akan dibersihkan dan disesuaikan dengan format data yang dapat diproses oleh tool Weka. Kemudian, pada tahap training data, dataset akan dibagi menjadi beberapa bagian. Pada penelitian ini, prosentasi pembagian menjadi data latih dan data uji masing-masing sebesar 70% dan 30%; 60% dan 40%; 50% dan 50%. Metode pembagian data latih dan data uji dilakukan secara acak. Setelah itu, tool Weka akan membangun model berdasarkan data latih yang ada dengan menggunakan metode Naïve Bayes. Demikian juga halnya, saat melakukan klasifikasi terhadap data uji, metode yang digunakan adalah metode Naïve Bayes. Gambar 1 Kerangka Konsep Penelitian 3. HASIL DAN PEMBAHASAN Pengumpulan data yang dilakukan pada penelitian ini berupa data awal gelandang sepak bola yang telah dikumpulkan dari website resmi EA SPORTS. Data yang digunakan hanyalah gelandang sepak bola yang telah dibagi menjadi 3 tipe yaitu Central Midfield CMF, Attacking Midfield AMF, dan Defensive Midfield DMF. Variabel data yang digunakan sebanyak Sembilan9 variabel antara lain dribbling, ball control, positioning, interception, sliding tackle, vision, passing, stamina, dan class. Banyaknya data yang digunakan adalah 110 pemain. Tool yang digunakan pada proses awal sampai dengan proses akhir adalah tool Weka versi Dataset yang digunakan disimpan dalam bentuk berkas berekstensi .csv. Modelling dengan Metode Naïve Bayes Testing Data/Klasifikasi Data Gambar 2. Visualisasi dari sembilan variabel terhadap tiga kelas CMF, DMF, dan AMF Wisswani, dkk., Klasifikasi Tipe Gelandang Sepak Bola Berdasarkan Data Kemampuan Menggunakan Metode Naive Bayes Hasil preprocessing dapat dilihat pada gambar 2 dibawah. Pada gambar 2, visualisasi dari masing-masing variable menunjukkan banyaknya jumlah data yang dikelompokkan berdasarkan tiga kelas yaitu CMF, AMF, dan DMF. CMF ditunjukkan dengan grafik batang berwarna biru, DMF ditunjukkan dengan grafik batang berwarna merah, dan AMF ditunjukkan dengan grafik batang berwarna magenta. Pada pelatihan, pemodelan, dan pengklasifikasian data uji menggunakan 4 macam skenario, yaitu tiga skenario pertama menggunakan metode splitting data yaitu membagi dataset kedalam data latih dan data uji dengan menggunakan 3 jenis prosentase berbeda dengan rasio data latih/data uji yaitu 80/20, 70/30, dan 60/40. Namun, satu skenario yang terakhir menggunakan metode cross validation 10-folds. Hasil klasifikasi masing-masing scenario dapat dilihat pada tabel 1-3 berikut. Tabel 1. Hasil Klasifikasi Data dengan scenario 1 Pada scenario 1, akurasi ketepatan klasifikasi yang didapatkan sebesar 80% dengan hasil Precision, Recall dan F-Measure dapat dilihat pada table 1 diatas. Berdasarkan table 1 yaitu pada kelas AMF memiliki prosentase F-Measure paling tinggi yaitu sebesar 100%. Table 2. Hasil Klasifikasi Data dengan skenario 2 Pada skenario 70/30, hasil akurasi klasifikasi yang didapatkan sebesar 80%. Tetapi nilai F-measure yang didapatkan tiap kelas berbeda dengan hasil yang didapatkan pada scenario 1, dimana untuk nilai F-Measure pada kelas CMF dan DMF masing-masing meningkat menjadi dan Sedangkan untuk hasil F-Measure dari kelas AMF, mengalami penurunan sebesar sekitar 10% lebih. Table 3. Hasil Klasifikasi Data dengan skenario 3 Pada skenario 60/40, hasil akurasi klasifikasi yang didapatkan naik menjadi Tetapi nilai F-measure yang didapatkan tiap kelas berbeda dengan hasil yang didapatkan pada scenario 1, dimana untuk nilai F-Measure pada kelas CMF turun menjadi DMF meningkat menjadi Sedangkan untuk hasil F-Measure dari kelas AMF, mengalami peningkatan menjdai Table 4. Hasil Klasifikasi Data dengan skenario 4 Pada skenario terakhir, yaitu menggunakan cross-fold validation, hasil akurasi yang didapatkan sebesar Jika dibandingkan dengan hasil skenario 4, selisih yand didapatkan sebesar kurang lebih lebih rendah. 4. Kesimpulan Dari semua percobaan yang dilakukan sebelumnya, didapatkan bahwa prosentase pembagian data latih dan data uji dapat mempengaruhi hasil akurasi klasifikasi yaitu semakin besar prosentasi data latih, semakin kecil prosentasi akurasi yang didapatkan. Namun, saat cross-validation yang JUST TI Jurnal Sains Terapan Teknologi Informasi 12, 2 Juli, 2020 46-50 ISSN 2579-4510online ISSN 2085-6458print digunakan yaitu dengak nilai k sebesar 10, hasil akurasi yang didapatkan kurang lebih dengan metode splitting dengan rasio 60/40. Hasil akurasi dari scenario 1, 2, 3, dan 4 didapatkan masing-masing sebesar 80%, 80%, dan Namun demikian, percobaan ini hanya dilaksanakan pada empat scenario dan untuk mendapatkan hasil perbandingan yang lebih baik, diharapkan dapat dilakukan percobaan yang lebih banyak dan menambah jumlah instans pada dataset lebih banyak lagi sehingga akan didapatkan model yang lebih baik. REFERENSI [1] H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., 2018, Doi [2] B. Betrisandi, “Klasifikasi Nasabah Asuransi Jiwa Menggunakan Algoritma Naive Bayes Berbasis Backward Elimination,” Ilk. J. Ilm., 2017, Doi [3] “Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi,” 2014, Doi [4] A. Saleh, “Klasifikasi Metode Naive Bayes Dalam Data Mining Untuk Menentukan Konsentrasi Siswa Studi Kasus Di Mas Pab 2 Medan,” Konf. Nas. Pengemb. Teknol. Inf. Dan Komun. 2014, 2014, Doi [5] C. Fadlan, S. Ningsih, And A. P. Windarto, “Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra,” J. Tek. Inform. Musirawas, 2018, Doi [6] A. Saleh, “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga,” Creat. Inf. Technol. J., 2015. [7] T. I. Andini, W. Witanti, And F. Renaldi, “Prediksi Potensi Pemasaran Produk Baru Dengan Metode Naïve Bayes Classifier Dan Regresi Linear,” Semin. Nas. Apl. Teknol. Inf., 2016. [8] A. Saleh, “Penerapan Data Mining Dengan Metode Klasifikasi Naive Bayes Untuk Memprediksi Kelulusan Mahasiswa Dalam Mengikuti English Proficiency Test Studi Kasus Universitas Potensi Utama,” Konf. Nas. Sist. Informasi, Univ. Klabat,Manado,Indonesia, Vol. 2015, 2015. [9] S. Widaningsih, “Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4,5, Naïve Bayes, Knn Dan Svm,” J. Tekno Insentif, 2019, Doi [10] M. S. Mustafa, M. R. Ramadhan, And A. P. Thenata, “Implementasi Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” Creat. Inf. Technol. J., 2018, Doi [11] diakses tanggal 15 Desember 2019 ... Penelitian Wisswani et al., 2020 tentang klasifikasi tipe gelandang sepak bola berdasarkan kemampuan menggunakan metode Naive Bayes, penelitian tersebut menghasilkan akurasi setiap skenario sebesar 80%, 80%, dan ...Harun NasrullahEndah Sarah WantyArief WibowoStudent Creativity Program is a program organized by the Directorate of Learning and Student Affairs, Directorate General of Higher Education, Research, and Technology, Ministry of Education, Culture, Research and Technology as a national level student creativity event as an effort to grow, accommodate, and realize students' creative and innovative ideas. Based on 2017-2021 data, each year an average of 63,337 proposals are received, administrative and substance evaluations involve complex assessment components and are carried out manually so that it takes a relatively long time in the calculation process. Then a special method is needed that speeds up the processing of assessment data. This research was conducted on the substance of the Entrepreneurship Sector to predict the feasibility of a proposal to get funding applying data mining with the Naive Bayes Classifier NBC and K-Nearest Neighbor K-NN algorithms with a comparison between Euclidean Distance and Manhattan Distance. From the results, it is known that NBC produces accuracy and Kappa. K-NN with the largest Euclidean Distance calculation in K-5, K-7 and K9 with an accuracy of and Kappa K-NN Manhattan Distance calculation produces the greatest accuracy of all the methods used by researchers, namely 100% and Kappa 1,00 categorized as Excellent. So the conclution is that the K-NN method with K-5 which produces the greatest accuracy and Kappa can be recommended to PKM stakeholders in funding feasibility algorithms. Sri WidaningsihAbstrak - Kelulusan mahasiswa merupakan salah satu hal yang harus diperhatikan karena termasuk ke dalam Standar Penjaminan Mutu Internal suatu perguruan tinggi. Program Studi Teknik Informatika merupakan salah satu prodi yang ada di Universitas Suryakancana. Untuk kelulusan terdapat standar yang akan dicapai oleh prodi yaitu waktu studi yaitu empat tahun dan IPK minimal 3,00. Untuk dapat mencapai mutu lulusan tersebut dibutuhkan suatu prediksi tingkat kelulusan dengan standar yang telah ditetapkan untuk mahasiswa yang masih menjalankan studi sehingga dapat dilakukan langkah antisipasi dari awal sehingga dapat menanggulangi terjadinya permasalahan dalam bidang akademik. Untuk memprediksi tingkat kelulusan dan IPK standar tersebut digunakan metode data mining dengan fungsi klasifikasi. Metodologi penerapan data mining ini menggunakan tahapan Discovery Knowledge of Databases KDD dimulai dari tahap selecting, preprocessing, transformation, data mining dan evaluation/interpretation. Teknik yang akan digunakan untuk model data mining klasifikasi ini terdiri dari empat algoritma yaitu Support vector machine SVM, k-nearest neigbor kNN, dan Naïve Bayes. Metoda klasifikasi terdiri dari variabel-variabel prediktor dan satu variabel target. Variabel-variabel prediktor terdiri dari jenis kelamin dan indeks prestasi dari semester 3 hingga 6. Perangkat lunak yang digunakan untuk mengolah data yaitu software Rapid Miner. Hasil akhir dari keempat algoritma tersebut diperoleh bahwa algoritma Naïve Bayes merupakan algoritma terbaik untuk memprediksi kelulusan mahasiswa yang tepat waktu dan IPK ≥ 3 dengan nilai accuracy 76,79%, error 23,17% , dan AUC 0,850. Abstract - Graduate students is one factor that must be considered because it is included in the Quality Assurance Standards. The Informatic Engineering Department is one of the department at Suryakancana University. For the graduate standard that will be approved by the department, time period graduation is four years and a minimum GPA of To achieve the required level of success, the predetermined standard level must be set for students to be anticipated from the start so they can overcome problems in the academic field. To predict the graduation rate and GPA standard the data mining method is used with the classification function. This data mining implementation methodology uses the stages of Discovery Knowledge of Databases KDD starting from selecting, preprocessing, transformation, data mining and evaluation / interpretation. The technique that will be used for this data mining model consists of four algorithms, such as Support vector machine SVM, the nearest k-neigbor kNN, and Naïve Bayes. The classification method consists of predictor variables and one target variable. Predictor variables consist of gender and achievement index from semester 3 to 6. The software used to process data is RapidMiner software. The final results of the following four algorithms generated from the Naïve Bayes algorithm are the best algorithms for predicting timely student graduation and GPA ≥ 3 with accuracy errors and AUC Haditsah AnnurThe main problem in the current poverty reduction effort is related to the fact that economic growth is not evenly distributed. The research will classify based on the data of poor people obtained from Tibawa District by using data mining technique. Attributes to be used in classifying the population are Age, Education, Work, Income, Dependent, Status Married / Unmarried. The method to be used is the Naïve Bayes Classifier method, which is one of the classification techniques in data mining. Based on the research, it is concluded that, the classification system of the poor in the administrative area of Tibawa sub-district, Gorontalo regency can be engineered and Based on the result of confusion matrix testing with split validation technique, the use of naïve Bayes classification method to the dataset which has been taken on the research object obtained the level of accuracy 73% or included in the Good category. While the Precision value of 92% and Recall of 86%.Betrisandi BetrisandiPendapatan untuk perusahaan asuransi ditentukan oleh jumlah premi yang dibayar oleh nasabah. Banyaknya nasabah yang tidak lancar membayar premi berpengaruh terhadap kinerja serta eksistensi perusahaan sehari-hari. Algoritma Naive Bayes berbasis Backward Elimination bertujuan untuk melakukan klasifikasi nasabah asuransi dengan hasil akurasi 85,89 % dengan delapan atribut weight yaitu umur, jangka waktu, cara bayar, premi, jumlah hari, pekerjaan, penghasilan dan mata uang Muh Syukri MustafaMuh Rizky RamadhanAngelina Pramana ThenataAbstrak Penelitian ini difokuskan untuk mengevaluasi kinerja akademik mahasiswa STMIK Dipanegara Makassar pada dua tahun pertama dengan menggunakan teknik data mining algoritma Naive Bayes Classifier NBC untuk membentuk tabel probabilitas sebagai dasar proses klasifikasi kinerja akademik mahasiswa yang kelulusannya akan diklasifikasikan dan memberikan rekomendasi untuk proses kelulusan tepat waktu yang paling tepat dengan nilai optimal berdasarkan histori nilai yang telah ditempuh mahasiswa. Sampel nilai yang digunakan untuk data latih dan testing adalah nilai mahasiswa angkatan 2008-2011 yang sudah dinyatakan lulus, sedangkan mahasiswa angkatan 2013-2014 dan belum lulus akan digunakan sebagai data target. Hasil yang diperoleh dari penelitian ini menunjukkan bahwa faktor yang paling mempengaruhi penentuan klasifikasi kinerja akademik seorang mahasiswa adalah Indeks Prestasi IP pada semester 1,2,3,4 dan jenis kelamin, sehingga faktor tersebut dapat menjadi bahan evaluasi terhadap pihak pengelola STMIK Dipanegara. Pengujian pada beberapa data mahasiswa angkatan 2008-2011 yang diambil secara acak, algoritma NBC menghasilkan nilai akurasi 92,3%. Alfa SalehThe role of electricity is very important for every layer of society and even electricity is also needed as a means of production and to everyday in life, the importance of the role of electricity of course have an impact on the growing electricity demand but it would not be linear with electricity supply not been able to meet demand the electricity is so great. To address this need for government intervention and community to use electricity wisely so that the electricity needs not be greater than the supply of electricity. Therefore, every household should be understood that the effective use of electricity. Implementation of Naïve Bayes method is able to predict the magnitude of expected electricity use per household in order to more easily manage the use of electricity. Based on 60 household electricity usage data tested with Naïve Bayes method, be obtained the percentage for the accuracy of the prediction, in which of the 60 household electricity usage data are tested, there are 47 household electricity usage data successfully classified FadlanSelfia Ningsih Agus Perdana WindartoAbstrakBeras rastra adalah sebuah program pemerintah yang bertujuan untuk meringankan beban keluarga miskin atau hampir miskin dalam hal pangan. Dalam implementasinya pada desa Bandar Siantar Kecamatan Gunung Malela masih belum optimal dikarenakan masih banyak program rastra yang belum tepat sasaran. Konsep data mining akan mempermudahkan mengatasi masalah yang belum optimal di desa Bandar Siantar Kecamatan Gunung Malela. Maka, metode klasifikasi mampu menemukan model yang membedakankonsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objekyang labelnya tidak diketahui. Oleh sebab itu, Algoritma Naive Bayes dapat memprediksipeluang di masa depan berdasarkan pengalaman dimasa sebelumnya, pada penelitian ini peneliti mengambil data lati sebanyak 70 data dan sebuah data uji, dengan menggunakan 6 kriteria yaitu Status PKH, Jumlah Tanggungan, Kepala rumah Tangga, Kondisi Rumah, Jumlah Penghasilan, dan Status Pemilik penilitian ini diharapkan dapat membantu pemerintah khususnya di dearah dalam menentukan kelayakan keluarga penerima beras Rastra. Kata kunci Data Mining, Beras Rastra, Algoritma Naïve Bayes Abstract Beras Rastra is a government program that aims to alleviate the burden of poor or near-poor families in terms of food. In its implementation on desa Bandar Siantar Kecamatan Gunung Malela still not optimal because there are still many rastra program that has not been right target. The concept of data mining will make it easier to overcome the problem that has not been optimal in desa Bandar Siantar Kecamatan Gunung Malela,classification methods are able to find models that distinguish concepts or data classes, with the aim of being able to estimate the class of an object whose label is unknown. Therefore Algoritma Naïve Bayes can predict future opportunities based on experience in the past, in this study researchers took data lati as much as 70 data and a test data,using 6 criteria that isStatus of PKH, Number of Dependent, Household Head, House Condition, Income Amount, and Home Owner results of this study are expected to assist the government, especially in the region in determining the eligibility of families of Beras Rastra beneficiaries Keywords Data Mining, Beras Rastra, Algoritma Naïve BayesPenerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi"Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi," 2014, Doi Metode Naive Bayes Dalam Data Mining Untuk Menentukan Konsentrasi Siswa Studi Kasus Di Mas Pab 2 MedanA SalehA. Saleh, "Klasifikasi Metode Naive Bayes Dalam Data Mining Untuk Menentukan Konsentrasi Siswa Studi Kasus Di Mas Pab 2 Medan," Konf. Nas. Pengemb. Teknol. Inf. Dan Komun. 2014, 2014, Doi Potensi Pemasaran Produk Baru Dengan Metode Naïve Bayes Classifier Dan Regresi LinearT I AndiniW WitantiAnd F RenaldiT. I. Andini, W. Witanti, And F. Renaldi, "Prediksi Potensi Pemasaran Produk Baru Dengan Metode Naïve Bayes Classifier Dan Regresi Linear," Semin. Nas. Apl. Teknol. Inf., Data Mining Dengan Metode Klasifikasi Naive Bayes Untuk Memprediksi Kelulusan Mahasiswa Dalam Mengikuti English Proficiency Test Studi Kasus Universitas Potensi UtamaA SalehA. Saleh, "Penerapan Data Mining Dengan Metode Klasifikasi Naive Bayes Untuk Memprediksi Kelulusan Mahasiswa Dalam Mengikuti English Proficiency Test Studi Kasus Universitas Potensi Utama," Konf. Nas. Sist. Informasi, Univ. Klabat,Manado,Indonesia, Vol. 2015, 2015.
PeraturanDalam Sepak Bola Pdf. Tiap babak berdurasi 45 menit. (2) klub sepak bola adalah anggota pssi dalam bentuk klub sepak bola yang melakukan kegiatan sepak bola baik dalam konteks profesional mapun amatir sebagaimana diatur dalam kerangka peraturan fifa dan pssi.Top Pdf 20 Peraturan Permainan Sepak Bola Fifa - 123dokcom
CF dalam Sepak Bola – Menjadi salah satu aktor penting di lapangan hijau nampaknya merupakan impian dari pemain kesebelasan. Hal tersebut mungkin bisa kalian rasakan saat menjadi CF dalam sebuah Bola merupakan salah satu cabang olahraga beregu yang diisi oleh sebelas pemain. Masing-masing dari pemain tersebut memiliki posisi dan perannya masing-masing termasuk CF dalam sepak Itu CF dalam Sepak BolaContoh Posisi CF dalam Formasi Sepak BolaTugas CF dalam Sepak Bola1. Melakukan Finishing atau Penyelesaian2. Menjadi Target Man dalam Sepak Bola3. Ikut Membangun Serangan4. Menjadi Target Marking Lawan5. Sesekali Membantu PertahananPerbedaan CF dan ST KESIMPULANNamun, sampai saat ini ternyata masih ada beberapa pihak yang belum mengetahui tentang CF dalam sepak bola. Padahal puluhan pertandingan selalu dihadirkan setiap pekan di berbagai penjuru kalian bisa mengetahui berbagai hal tentang CF dalam sepak bola, maka Inspired2Write akan membahasnya secara lengkap. Mulai dari pengertian, tugas, hingga contoh CF terbaik akan kami sajikan dalam pembahasan kali Itu CF dalam Sepak BolaCF atau biasa disebut sebagai Centre Forward adalah posisi dimana seorang pemain akan ditempatkan di barisan depan bagian tengah. Biasanya peran CF akan dimainkan apabila pelatih menggunakan taktik 2 hingga 3 pemain di seorang CF, tentunya pemain akan dituntut untuk bisa menggempur pertahanan lawan dan menjadi mesin pencetak gol bagi tim. Jadi dalam dunia sepak bola, posisi tersebut sangat penting bagi beberapa Posisi CF dalam Formasi Sepak BolaPenggunaan Centre Forward memang sangat berpengaruh bagi sepak bola modern. Apalagi jika formasi yang digunakan sesuai dan didukung dengan rekan satu tim yang visioner. Jadi dimana posisi CF pada saat berada di dalam formasi?Agar kalian lebih mudah dalam memahaminya, berikut gambaran posisi seorang CF di dalam kalian mengemban tanggung jawab sebagai seorang CF, maka ada beberapa tugas utama yang harus bisa dilakukan. Beberapa tugas tersebut akan sangat berpengaruh pada hasil akhir dalam pertandingan sepak bola bagi sebuah beberapa tugas seorang Centre Forward ketika berada dalam pertandingan sepak Melakukan Finishing atau PenyelesaianSudah menjadi tugas seorang Centre Forward untuk menjadi eksekutor atas umpan-umpan yang diberikan oleh rekan satu tim. Pasalnya posisi ini lebih ideal untuk mencetak gol dalam permainan sepak sebisa mungkin seorang CF harus memiliki insting mencetak gol serta mahir dalam melakukan penyelesaian atau sentuhan akhir bola. Banyak pemain di luar posisi ini yang justru tidak berhasil melakukan finishing padahal hanya tinggal berhadapan dengan Goal Keeper Menjadi Target Man dalam Sepak BolaMungkin kalian pernah mendengar tentang istilah Target Man dalam dunia sepak bola. Lantas apa sebenarnya yang dimaksud dengan Target Man? Istilah tersebut merujuk pada prioritas seorang pemain untuk menerima umpan dari rekan satu tanggung jawab sebagai Target Man artinya kalian harus siap sedia menyambut umpan dari rekan satu tim lainnya. Kunci sukses bagi seorang CF Target Man adalah mencari posisi dan celah kosong tanpa penjagaan. Jadi umpan lebih bisa mudah diterima serta dilesatkan ke Ikut Membangun SeranganFormasi dengan menggunakan Forward cenderung lebih leluasa dalam permainan sepak bola. CF tidak hanya diam menunggu bola, tetapi juga bisa ikut membangun serangan. Itulah mengapa formasi dengan sistem Forward cenderung lebih dinamis dan mematikan bagi bek CF tidak melulu mencetak gol bisa juga menjadi inisiator serangan serta mencetak Assisst bagi yang lainnya. Itulah mengapa formasi dengan penggunaan barisan Forward seringkali sulit diantisipasi oleh lawan ketika Menjadi Target Marking LawanFaktanya, CF adalah salah satu momok menakutkan bagi bek lawan. Pasalnya pemain tersebutlah yang memiliki persentase paling tinggi dalam mencetak gol sepak bola. Hal ini tentu saja membuat kalian dijaga habis-habisan oleh bek hal tersebut merupakan sebuah keuntungan karena kalian sudah berhasil mengalihkan fokus bek lawan terhadap rekan satu tim yang lain. Jadi meski CF tidak berhasil mencetak gol, setidaknya kalian bisa memberikan kebebasan bergerak bagi rekam satu tim Sesekali Membantu PertahananBukankah tugas CF adalah berada di depan serta menunggu bola datang agar bisa dieksekusi menjadi gol? Tentu saja tidak karena dalam sepak bola modern, terkadang Centre Forward juga turun ke daerah perlu diingat jika CF tidak akan terlalu sering membantu pertahanan karena bisa saja membuat pemain kehilangan momen penting untuk mencetak gol. Belum lagi jarak area pertahanan hingga area serang cukup jauh sehingga menguras stamina CF dan ST Seringkali orang-orang beranggapan jika posisi CF dan ST Striker merupakan dua hal yang sama. Padahal jika dijabarkan secara tugas serta perannya dalam sepak bola sangatlah berbeda. Bahkan jika dilihat dari segi formasi antar CF maupun ST juga beberapa perbedaan antara CF dan Centre ForwardST StrikerMelakukan serangan secara berkelompokMenjadi penyerang tunggalBisa bergerak secara fleksibel di lapanganHanya bermain di area 20 kotak penalti lawanMemiliki banyak peran menyerangHanya menjadi Target ManLebih diuntungkan saat PressingLebih diuntungkan saat Counter AttackKESIMPULANKini kalian sudah paham tentang CF dalam sepak bola serta apa saja yang harus dilakukan ketika ditugaskan pada posisi tersebut. Secara umum itulah gambaran CF ketika berada di pertandingan. Hanya saja peran tersebut bisa berubah lagi sesuai dengan perkembangan pembahasan mengenai Centre Forward dari Inspired2Write. Nantikan informasi seputar dunia sepak bola lainnya yang akan kami update setiap hari. Semoga pembahasan ini bisa membantu kalian untuk beradaptasi di dalam sebuah tim sepak Gambar Admin Inspired2Write,
ArtiPosisi Pemain Dalam Sepak Bola: Ada GK, RB, CB, DMF, CMF Hingga CF DMF (Defensife Midfilder). Adalah posisi gelandang bertahan, zona permainannya di tengah namun agak ke belakang. CMF (Center Midfilder). Adalah posisi gelandang serang, yang bertugas sebagai membantu serangan tim. Zona
SouthamptonFootball Club adalah sebuah tim sepak bola yang sedang naik daun . Klub ini bermarkas di stadio St Mary's Southampton , Hampshire . Sejak musim 2012 - 2013 Klub ini promosi ke Liga Primer Inggris pemain ini mempunyai kemampuan mengolah bola dan membuat permainan yang sangat baik . Dia sangat cocok dalam formasi apapun . Posisi
Sepak bola merupakan olahraga yang mengandalkan kerja sama tim. Dalam satu tim terdiri dari 11 orang pemain yang harus ditempatkan di posisi-posisi tertentu. Sehingga menutup celah serangan lawan di area pertandingan yang sangat luas. Berkaitan dengan penempatan posisi pemain sepak bola itulah kemudian dikenal istilah GK, CB, RB, DMF, CMF dan lainnya. Bagi wartawan sepak bola, menulis istilah posisi pemain dapat merepotkan karena terlalu panjang. Karena itu kalangan ini pun kerap menggunakan istilah seperti GK, CB, RB, DMF, CMF dan lainnya. Sebalikya bagi para bola mania, pemahaman terhadap istilah posisi pemain seperti GK, CB, RB, DMF, CMF dan lainnya sering kali digunakan untuk mengukur seberapa serius seseorang menyebut dirinya bolamania. Selain itu karena pewarta sepak bola kerap menggunakan istilah-istilah tersebut, mana kala bola mania tidak ikut memahaminya maka akan terjadi ketidakpahaman atau bahkan kesalahpahaman. Berikut ini istilah-isilah yang kerap digunakan yang terkait dengan posisi seorang pemain sepakbola dalam suatu pertandingan SW, sweeper Biasa juga disebut libero yaitu pemain belakang yang bertugas menyapu bersih bola dan memimpin serangan dari belakang. MC, midfielder centre Biasa juga dikenal sebagai pemain gelandang tengah ML, midfielder left Pemain gelandang kiri MR, midfielder right Pemain gelandang kanan RW, right wing Pemain sayap kanan, fokus menyerang FC, forward centre Penyerang tengah, biasa juga disebut striker GK, goal keeper Penjaga gawang DR/DL, defender right/left Bek kanan/kiri DM, defensive midfielder Gelandang bertahan CB, center back Bek tengah berada di depan kiper AMC, attacking midfielder Penyerang dari bagian tengah RB, right back Bek kanan, sebelah kanan bek tengah LB, left back Bek kiri, sebelah kiri bek tengah DMF, defensive midfielder Gelandang bertahan CMF, center midfielder.
cmf dalam sepak bola
