Klasifikasi Tipe Gelandang Sepak Bola Berdasarkan Data Kemampuan Menggunakan Metode Naive Bayes

Abstract

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%, 82.5%, dan 80.182%.

Constellation of Football Players Determination Based on Cost and Performance History Using the K-Means Clustering

“…Penyelesaian masalah penyusunan tim sepak bola dan transfer pemain sudah dilakukan oleh peneliti sebelumnya, seperti pemilihan kapten tim berdasarkan enam kriteria [3], analisis hubungan antara kekuatas pinggul pemain dengan control kesehatan [4], perbandingan kinerja pemain sepak bola dengan dan tanpa nyeri pinggul [5], penyelidikan preferensi pemain sepak bola anti-doping [6],analisa pelanggaran oleh pemain sepak bola do Australia [7], perekrutan pemain dengan mempertimbangkan kesehatan mental [8], efek musim latihan sepak bola jangka panjang terhadap performance [9], prediksi cidera pemain sepak bola dengan machine learning [10], analisis visual kepindahan pemain sepak bola [11], pemodelan dan analisis pemain sepak bola [12], efek minuman dingin pada pemain sepak bola [13] Penggunaan bobot kriteria untuk mendapatkan peringkat rekomendasi pemain yang akan dibeli oleh klub yang sudah dilakukan adala menggunakan metode Analytical Hierarchy Process [14], klasifikasi posisi pemain gelandang menggunakan Naïve Bayes [15], dan pemilihan posisi pemain berdasarkan variabel yang lebih dominan menggunakan metode K-Means [16]. Penggunaan K-Means dalam menyelesaikan masalah pengelompokan juga terbukti dibanyak penelitian, seperti pengelompokan prestasi belajar siswa dalam menentukan strategi pembelajaran yang tepat [17], pengelompokan data peminjaman buku perpustakaan [18], pengelompokan penjualan suku cadang mobil [19], pemetaan kelompok mahasiswa berdasarkan aktivitas kuliah [20], pengelompokan produk [21], pengelompokan mahasiswa penerima beasiswa berdasarkan penghasilan orang tua, keadaan rumah, jumlah tanggungan orang tua, dan prestasi [22], pemetaan pemanfaatan teknologi di daerah [23], pengelompokan merk leptop [24].…”

Prediction of Feasibility of Entrepreneurial Proposals in Student Creativity Program

“…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%, 82.5%, dan 80.182%.…”