Komponen Sistem Pendukung Keputusan 6 Tugas Utama Data Mining 8 Pengenalan Sepak Bola 19 Posisi dan Peran Pemain 19 Tugas Utama Data Mining Pengenalan Sepak Bola

DAFTAR ISI Halaman PERSETUJUAN ii PERNYATAAN iii PENGHARGAAN iv ABSTRAK vi ABSTRACT vii DAFTAR ISI viii DAFTAR TABEL x DAFTAR GAMBAR xi DAFTAR LAMPIRAN xii BAB 1 PENDAHULUAN 1.1 Latar Belakang 1 1.2 Rumusan Masalah 2 1.3 Batasan Masalah 2 1.4 Tujuan Penelitian 3 1.5 Manfaat Penelitian 3 1.6 Metodologi Penelitian 3 1.7 Sistematika Penulisan 4 BAB 2 LANDASAN TEORI 2.1 Sistem Pendukung Keputusan 6

2.2.1 Komponen Sistem Pendukung Keputusan 6

2.2 Data Mining 8

2.3.1 Tugas Utama Data Mining 8

2.3.2 Proses Data Mining 9 2.3 Klasifikasi 10 2.4 Metode Naive Bayes 12 2.5 Android 17 2.6 Sepak Bola 18

2.6.1 Pengenalan Sepak Bola 19

2.6.2 Posisi dan Peran Pemain 19

2.7 Penelitian yang relevan 20 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem 22

3.1.1 Analisis Masalah 22

3.1.2 Analisis Persyaratan 23 3.1.2.1 Persyaratan Fungsional 23 3.1.2.2 Persyaratan Non Fungsional 24 3.1.3 Pemodelan 24 3.1.3.1 Use Case Diagram 24 3.1.3.2 Activity Diagram 27 Universitas Sumatera Utara 3.1.3.3 Sequence Diagram 27 3.1.3.4 Kamus Data 28 3.1.3.5 Flowchart Sistem 29 3.1.3.6 Pseudecode Program 31 3.2 Perancangan Sistem 39 3.2.1 Menu Utama 40 3.2.2 Menu Database 41 3.2.3 Menu Proses Naive Bayes 42 3.2.4 Menu Proses 43 3.2.5 Menu Help 44 3.2.6 Menu About 45 BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi 46 4.2 Antarmuka Sistem 46 4.2.1 Menu Utama 47 4.2.2 Menu Database 47 4.2.3 Proses Naive Bayes 48 4.2.4 Menu Proses 49 4.2.5 Menu Help 50 4.2.6 Menu About 50 4.3 Pengujian 51 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan 73 5.2 Saran 73 DAFTAR PUSTAKA 75 Lampiran Universitas Sumatera Utara DAFTAR TABEL Nomor Tabel Nama Tabel Halaman 2.1 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 4.1 4.2 4.3 Data Pemain dan Posisi Dokumentasi Naratif Use Case Database Dokumentasi Naratif Use Case Proses Naive Bayes Dokumentasi Naratif Use Case Help Kamus Data Pseudecode Naive Bayes Keterangan gambar rancangan Menu Utama Keterangan gambar rancangan Menu Database Keterangan gambar rancangan Menu Proses Naive Bayes Keterangan gambar rancangan Menu Proses Keterangan gambar rancangan Menu Help Keterangan gambar rancangan Menu About Data training awal untuk atribut objektif Data training atribut objektif Data training atribut subjektif 16 25 26 26 29 31 40 41 42 43 44 45 51 52 53 Universitas Sumatera Utara DAFTAR GAMBAR Nomor Gambar Nama Gambar Halaman 2.1 2.2 2.3 2.4 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 4.11 4.12 4.13 Komponen Sistem Pendukung Keputusan Langkah Proses Klasifikasi Skema Naive Bayes Posisi Pemain Sepak Bola Diagram Ishikawa Use Case Diagram Sistem Activity Diagram Sequence Diagram Flowchart Sistem Rancangan Menu Utama Rancangan Menu Database Rancangan Menu Proses Naive Bayes Rancangan Menu Proses Rancangan Menu Help Rancangan Menu About Menu Utama Menu Database Menu Lanjutan Menu Database Menu Proses Naive Bayes Menu Proses Menu Help Menu About Inputan Pengujian 1 Hasil Pengujian 1 Inputan Pengujian 2 Hasil Pengujian 2 Inputan Pengujian 3 Hasil Pengujian 3 7 11 15 20 23 25 27 28 30 40 41 42 43 44 45 47 48 48 49 49 50 50 54 59 60 66 67 72 Universitas Sumatera Utara DAFTAR LAMPIRAN Halaman Listing Program 77 Curriculum Vitae 106 Universitas Sumatera Utara ABSTRAK Kebutuhan masyarakat terhadap layanan teknologi berbasis IT sangat bervariasi. Ketersediaan suatu perangkat mobile berbasis Android yang dapat membantu memecahkan suatu permasalahan adalah sesuatu yang dapat bermanfaat bagi masyarakat. Dalam hal ini, penulis berusaha menambang data pemain sebuah sekolah sepak bola untuk mengetahui posisi pemain yakni Kiper, Bek, Gelandang dan Penyerang dengan menggunakan teknik Data Mining. Data mining adalah teknik yang memanfaatkan data dalam jumlah yang besar untuk memperoleh informasi berharga yang sebelumnya tidak diketahui dan dapat dimanfaatkan untuk pengambilan keputusan penting. Data yang ada dianalisis menggunakan metode Naive Bayes, yang bertujuan untuk melakukan klasifikasi data pada kelas tertentu, kemudian pola tersebut dapat digunakan untuk memperkirakan posisi ideal pemain yang baru sehingga pelatih bisa mengambil keputusan untuk menempatkan posisi pemain tersebut. Kata Kunci : Android , Sepak Bola, Data Mining, Metode Naive Bayes, Sistem Pendukung Keputusan. Universitas Sumatera Utara IMPLEMENTATION NAIVE BAYES METHOD FOR DETERMINING THE IDEAL POSITION IN FOOTBALL PLAYERS BASED ON ANDROID ABSTRACT Social demand for IT services based technologies vary widely. The availability of an Android-based mobile devices that can help solve a problem is something that can be useful to society. In this case, the authors tried to mine the data of a school football players to know the position of the player Goalkeeper, Defender, Midfielder and Striker by using Data Mining techniques. Data mining is a technique that utilizes large amounts of data to obtain valuable information that was not previously known and can be used for making important decisions. Existing data were analyzed using Naive Bayes, which aims to classify the data in a particular class, then the pattern can be used to estimate the ideal position of the new players that the coach can take the decision to put the position of the player. Keywords : Android, Football, Data Mining, Naive Bayes Method, Decision Support System. Universitas Sumatera Utara

BAB 1 PENDAHULUAN

1.1. Latar Belakang

Sepak bola adalah salah satu olahraga yang sangat terkenal dan digemari oleh berbagai kalangan di hampir seluruh pelosok dunia yang dimainkan oleh berbagai jenis usia baik tua maupun muda. Sebuah tim sepak bola terdiri dari seorang penjaga gawang dan sepuluh pemain yang bergerak di seluruh lapangan yang mengisi posisi bek, gelandang dan penyerang. Dalam sepak bola salah satu faktor yang terpenting adalah pemain. Pemain yang memiliki kemampuan yang baik akan menguntungkan bagi satu tim dan begitu juga sebaliknya. Keluarnya kemampuan terbaik seorang pemain tidak terlepas dari penempatan posisi yang ideal bagi pemain tersebut. Pada saat ini ternyata seorang pelatihmanager masih merasa kesulitan dalam menentukan posisi yang ideal untuk para pemainnya. Masih ada pelatih yang belum bisa menilai pemain secara objektif. Dimana para pemain memang benar-benar dinilai dari kemampuan mereka sendiri bukan dari penelitian secara subjektif saja. Selain itu, dalam proses penentuan posisi pemain, seorang pelatih hanya mengandalkan insting dan ego para pemain saja tanpa didukung dengan data nilai skill individu pemain yang disimpan. Pada kenyataannya selama ini, dalam proses penentuan posisi yang ideal tersebut masih dilakukan secara manual yakni dengan diimplementasikan dalam bentuk sebuah kertas berupa form penilaian karakter dan kriteria pemain saja. Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi- fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu Jiawei, 2001. Universitas Sumatera Utara Berdasarkan permasalahan di atas, maka dibuatlah sebuah sistem yang dapat mempermudah dan mengubah cara penilaian seorang pelatih dalam menentukan posisi ideal pemain dalam sepak bola. Pada penelitian ini, penulis akan mengembangkan suatu sistem menggunakan Smartphone berbasis Android sebagai media. Sistem bekerja sesuai input yang diberikan dari data training yang telah dikumpulkan. Sistem yang akan diimplementasikan menggunakan metode Naive Bayes sebagai aturan dalam pembangunan sistem. Jadi, hanya dengan membawa Smartphone dan memasukkan beberapa parameter seperti Dribbling, Passing, Crossing, Shooting, Accelaration, Agility, Stamina, Jumping, Aggression, Composure, Creativity, Decisioning, Positioning, Marking, dan Teamwork. maka pelatih dapat menentukan apakah posisi ideal pemain tersebut Kiper, Bek, Gelandang atau Penyerang.

1.2. Rumusan Masalah

Adapun rumusan masalah yang akan dibahas pada penelitian ini adalah bagaimana menentukan posisi ideal pemain dalam sepak bola dengan menggunakan metode Naive Bayes.

1.3. Batasan Masalah

Agar fokus penelitian tidak menyimpang dari rumusan masalah yang telah ditetapkan, maka dibuat batasan masalah sebagai berikut : 1. Data yang diproses adalah data pemain yang bersumber dari Talenta Soccer Rantauprapat dan lembar penilaian skill dan teknik individu pemain yang diisi pada saat proses penyeleksian pemain oleh pelatih. 2. Posisi bermain yang dipilih diantaranya adalah Kiper, Bek, Gelandang dan Penyerang. 3. Atribut pemain yang digunakan dalam menentukan keputusan terbagi dalam dua kategori, yakni penilaian secara subjektif dan objektif. Untuk penilaian secara objektif, atribut pemain terdiri dari Dribbling, Passing, Crossing, Shooting, Accelaration, Agility, Stamina dan Jumping. Dan untuk penilaian secara subjektif, atribut pemain terdiri dari Aggression, Composure, Creativity, Decisioning, Positioning, Marking, dan Teamwork. Dan keseluruhan atribut tersebut akan dikelompokkan dalam tiga kategori, yakni baik, cukup dan kurang. Universitas Sumatera Utara 4. Sistem dibangun dengan menggunakan metode Naive Bayes. 5. Sistem dibangun pada Smartphone berbasis Android dengan versi 4.14.24.3 Jelly Bean menggunakan eclipse.

1.4. Tujuan Penelitian

Penelitian ini bertujuan untuk membangun sebuah sistem berbasis Android yang dapat memberikan informasi dalam penentuan posisi ideal pemain dalam sepak bola dengan menggunakan metode Naive Bayes.

1.5. Manfaat Penelitian

Manfaat yang didapat dalam pembuatan sistem ini antara lain : 1. Dapat mempermudah seorang pelatih dalam menentukan posisi ideal untuk seorang pemain. 2. Mampu membantu seorang pelatih merubah cara penilaiannya dalam menyeleksi pemain, agar dapat menilai dari yang bersifat subjektif menjadi objektif. 3. Dapat menyediakan pilihan bagi pelatih dalam menentukan posisi ideal pemain. 4. Dapat meningkatkan efektifitas dan efisiensi bagi pelatih dalam menentukan posisi ideal pemain.

1.6. Metodologi Penelitian

Tahapan penelitian yang dilakukan dalam penelitian ini adalah : a. Studi Literatur Studi ini dilakukan dengan cara mempelajari, meneliti dan menelaah berbagai literatur-literatur Sistem Pendukung Keputusan, Data Mining, dan Metode Naive Bayes dari perpustakaan yang bersumber dari buku-buku, teks, jurnal ilmiah maupun hasil penelitian terdahulu sebagai referensi yang diperlukan dalam melakukan penelitian. b. Analisis dan Perancangan Dengan adanya rumusan dan batasan masalah, kebutuhan perancangan dianalisis disertai pembuatan Flowchart, Unified Modeling Language UML, Design Interface. Universitas Sumatera Utara c. Implementasi Sistem diimplementasi dengan menggunakan metode Naive Bayes. d. Pengujian Penulis melakukan pengujian dan mengevaluasi aplikasi sistem pendukung keputusan yang dihasilkan, serta melakukan perbaikan sistem. Selain itu juga melakukan pengujian terhadap sistem, apakah sudah sesuai dengan yang diharapkan. e. Dokumentasi Pembuatan dokumentasi dilakukan selama penelitian berlangsung sampai penelitian selesai yang dibuat dalam bentuk laporan.

1.7. Sistematika Penulisan

Sistematika penulisan skripsi ini terdiri dari beberapa bagian utama, yaitu:

BAB 1 PENDAHULUAN

Bab ini menjelaskan latar belakang judul skripsi ”Implementasi Metode Naive Bayes dalam menentukan posisi ideal pemain dalam sepak bola berbasis Android”, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian dan sistematika penulisan.

BAB 2 LANDASAN TEORI

Bab ini berisi tentang penjelasan singkat mengenai Sepak Bola, Data Mining, metode Naive Bayes, Android, dan Eclipse.

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Bab ini membahas analisis terhadap masalah penelitian dan perancangan terhadap sistem yang akan dibangun, cara kerja sistem disertai pembuatan flowchart, Unified Modeling Language UML, Design Interface. Universitas Sumatera Utara

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini berisi tentang pembuatan sistem dan coding sesuai dengan analisis dan perancangan, kemudian melakukan pengujian sistem., serta pembahasan hasil pengujian dan analisisnya.

BAB 5 KESIMPULAN DAN SARAN

Bab ini memuat kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saran berdasarkan hasil pengujian yang diharapkan dapat bermanfaat untuk penelitian yang berhubungan selanjutnya. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI

2.1. Sistem Pendukung Keputusan SPK

Definisi awal SPK menunjukkan SPK sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi keputusan semiterstruktur. SPK dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kapabilitas mereka, namun tidak untuk menggantikan penilaian mereka. Little 1970 mendefinisikan SPK sebagai “sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer mengambil keputusan.” Dia menyatakan bahwa untuk sukses, sistem tersebut haruslah sederhana, cepat, mudah dikontrol, adaptif, lengkap dengan isu-isu penting dan mudah berkomunikasi. McLeod 1998 mendefinisikan SPK merupakan suatu sistem informasi yang ditunjukkan untk membantu manajemen dalam memecahkan masalah yang dihadapinya. Dari semua pengertian SPK yang dipaparkan di atas dapat disimpulkan bahwa SPK adalah sebuah sistem berbasis komputer yang dapat membantu seseorang dalam memecahkan masalah dari data yang ada serta mengambil keputusan dan melahirkan output yang bersifat altenatif.

2.1.1. Komponen Sistem Pendukung Keputusan

Adapun komponen-komponen dari Sistem Pendukung Keputusan adalah sebagai berikut : 1. Manajemen Data Manajemen data mencakup database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database. Universitas Sumatera Utara 2. Manajemen Model Manajemen model merupakan paket perangkat lunak yang memasukkan model- model finansial, statistik, ilmu manajemen atau model kuantitatif yang lain yang menyediakan kemampuan analisis sistem dan management software yang terkait. 3. Antarmuka Pengguna Antarmuka pengguna merupakan media interaksi antara pengguna dan sistem sehingga pengguna dapat memberikan inputan kepada sistem agar didapatkan keputusan yang diproses oleh sistem. 4. Subsistem Berbasis Pengetahuan Subsistem berbasis pengetahuan adalah subsistem yang dapat mendukung semua subsistem lain atau bertindak sebagai komponen yang berdiri sendiri. Untuk lebih memahami komponen Sistem Pendukung Keputusan yang telah dijelaskan di atas dapat dilihat pada gambar 2.1. Gambar 2.1 Komponen Sistem Pendukung Keputusan Universitas Sumatera Utara

2.2. Data Mining

Data mining merupakan disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau menemukan pola dari suatu data Han and Kamber, 2006. Data mining sering juga disebut Knowledge Discovery in Database KDD, adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan Santosa, 2007.

2.2.1. Tugas Utama Data Mining

Secara umum data mining memiliki empat tugas utama Sahu, 2011: 1. Klasifikasi Classification Klasifikasi bertujuan untuk mengklasifikasikan item data menjadi satu dari beberapa kelas standar. Sebagai contoh, suatu program email dapat mengklasifikasikan email yang sah dengan email spam. Beberapa algoritma klasifikasi antara lain pohon keputusan, nearest neighbor, naïve bayes, neural networks dan support vector machines. 2. Regresi Regression Regresi merupakan pemodelan dan investigasi hubungan dua atau lebih variabel. Dalam analisis regresi ada satu atau lebih variabel independent prediktor yang biasa diwakili dengan notasi x dan satu variabel respon yang biasa diwakili dengan notasi y Santosa, 2007. 3. Pengelompokan Clustering Clustering merupakan metode pengelompokan sejumlah data ke dalam klaster group sehingga dalam setiap klaster berisi data yang semirip mungkin. 4. Pembelajaran Aturan Asosiasi Association Rule Learning Pembelajaran aturan asosiasi mencari hubungan antara variabel. Sebagai contoh suatu toko mengumpulkan data kebiasaan pelanggan dalam berbelanja. Dengan menggunakan pembelajaran aturan asosiasi, toko tersebut dapat menentuan produk yang sering dibeli bersamaan dan menggunakan informasi ini untuk tujuan pemasaran. Universitas Sumatera Utara

2.2.2. Proses Data Mining

Proses dari data mining mempunyai prosedur umum dengan langkah-langkah sebagai berikut Kantardzic, 2003: 1. Merumuskan permasalahan dan hipotesis Pada langkah ini dispesifikasikan sekumpulan variabel yang tidak diketahui hubungannya dan jika memungkinkan dispesifikasikan bentuk umum dari keterkaitan variabel sebagai hipotesis awal. 2. Mengoleksi data Langkah ini menitikberatkan pada cara bagaimana data dihasilkan dan dikoleksi. Secara umum ada dua kemungkinan yang berbeda. Yang pertama adalah ketika proses pembangkitan data dibawah kendali dari ahli. Pendekatan ini disebut juga dengan percobaan yang dirancang designed experiment. Kemungkinan yang kedua adalah ketika ahli tidak memiliki pengaruh pada proses pembangkitan data, dikenal sebagai pendekatan observasional. 3. Pra pengolahan data Pra pengolahan data melibatkan dua tugas utama yaitu: a. Deteksi dan pembuangan data asing outlier Data asing merupakan data dengan nilai yang tidak dibutuhkan karena tidak konsisten pada sebagian pengamatan. Biasanya data asing dihasilkan dari kesalahan pengukuran, kesalahan pengkodean dan pencatatan dan beberapa nilai abnormal yang wajar. Ada dua strategi untuk menangani data asing, yang pertama mendeteksi dan berikutnya membuang data asing sebagai bagian dari fase pra pengolahan. Yang kedua adalah mengembangkan metode pemodelan yang kuat yang tidak merespon data asing. b. Pemberian skala, pengkodean dan seleksi fitur Pra pengolahan data menyangkut beberapa langkah seperti memberikan skala variabel dan beberapa jenis pengkodean. Sebagai contoh, satu fitur dengan range [0, 1] dan yang lain dengan range [-100, 100] tidak akan memiliki bobot yang sama pada teknik yang diaplikasikan dan akan berpengaruh pada hasil akhir data mining. Oleh karena itu, disarankan untuk pemberian skala dan membawa fitur-fitur tersebut ke bobot yang sama untuk analisis lebih lanjut. Universitas Sumatera Utara 4. Mengestimasi model Pemilihan dan implementasi dari tehnik data mining yang sesuai merupakan tugas utama dari fase ini. Proses ini tidak mudah, biasanya dalam pelatihan, implementasi berdasarkan pada beberapa model dan pemilihan model yang terbaik merupakan tugas tambahan. 5. Menginterpretasikan model dan menarik kesimpulan Pada banyak kasus, model data mining akan membantu dalam pengambilan keputusan. Metode data mining modern diharapkan akan menghasilkan hasil akurasi yang tinggi dengan menggunakan model dimensi-tinggi. Pengetahuan yang baik pada keseluruhan proses sangat penting untuk kesuksesan aplikasi. Tidak peduli seberapa kuat metode data mining yang digunakan, hasil dari model tidak akan valid jika pra pengolahan dan pengkoleksian data tidak benar atau jika rumusan masalah tidak berarti.

2.3. Klasifikasi

Salah satu tugas utama dari data mining adalah klasifikasi. Klasifikasi digunakan untuk menempatkan bagian yang tidak diketahui pada data ke dalam kelompok yang sudah diketahui. Klasifikasi menggunakan variabel target dengan nilai nominal. Dalam satu set pelatihan, variabel target sudah diketahui. Dengan pembelajaran dapat ditemukan hubungan antara fitur dengan variabel target. Ada dua langkah dalam proses klasifikasi Han and Kamber, 2006 : a. Pembelajaran learning : pelatihan data dianalisis oleh algoritma klasifikasi. b. Klasifikasi: data yang diujikan digunakan untuk mengkalkulasi akurasi dari aturan klasifikasi. Jika akurasi dianggap dapat diterima, aturan dapat diterapkan pada klasifikasi data tuple yang baru. Universitas Sumatera Utara Berikut merupakan langkah proses klasifikasi, yang dapat dilihat pada gambar 2.2. Gambar 2.2 Langkah Proses Klasifikasi Han and Kamber, 2006 Training Data New Data Classification Rules name age income loan decision Juan Bello senior low safe Silvia Crest middle_aged low risky Anne Yee middle_aged high safe ... ... ... ... John Henry, middle_aged, low Loan decision? risky Training Data Classification Algorithm Classification Rules name age income loan decision Sandy Jones young low risky Bill Lee young low risky Caroline Fox middle_aged low safe Rick Field middle_aged low risky Susan Lake senior low safe Claire Phips senior medium safe Joe Smith middle_aged low safe ... ... ... ... IF age = youth THEN loan_decision = risky IF income = high THEN loan_decision = safe IF age = middle_aged AND income = low THEN loan_decision = risky Universitas Sumatera Utara

2.4. Metode Naive Bayes

Naive Bayes merupakan algoritma klasifikasi yang sederhana dimana setiap atribut bersifat independent dan memungkinkan berkontribusi terhadap keputusan akhir Xhemali, 2009. Algoritma Naive Bayes merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilias dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya. Persamaan dari teorema Bayes adalah : | = | . Keterangan : X : Data dengan class yang belum diketahui H : Hipotesis data X merupakan suatu class spesifik PH|X : Probabilitas hipotesis H berdasar kondisi X posterior probability PH : Probabilitas hipotesis H prior probability PX|H : Probabilitas X berdasarkan kondisi pada hipotesis H PX : Probabilitas X Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema Bayes di atas disesuaikan sebagai berikut : | … = . … | … Dimana variabel C mempresentasikan kelas, sementara variabel … mempresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel Universitas Sumatera Utara karakteristik tertentu dalam kelas C Posterior adalah peluang munculnya kelas C sebelum masuknya sampel tersebut, seringkali disebut Prior, dikali dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas C disebut juga likelihood, dibagi dengan peluang kemunculan karakteristik-karakteristik sampel secara global disebut juga evidence. Karena itu, rumus di atas dapat pula ditulis secara sederhana sebagai berikut : = ℎ Nilai evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari posterior tersebut nantinya akan dibandingkan dengan nilai-nilai posterior kelas lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan. Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan | … menggunakan aturan perkalian sebagai berikut : | … = . … | = . | … | , = . | | , … | , , = . | | , | , , … | , , , = . | | , | , , … | , , , … Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan semakin kompleksnya faktor-faktor syarat yang mempengaruhi nilai probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya, perhitungan tersebut menjadi sulit untuk dilakukan. Disinilah digunakan asumsi independensi yang sangat tinggi naif, bahwa masing-masing petunjuk , … saling bebas independent satu sama lain. Dengan asumsi tersebut, maka berlaku suatu kesamaan sebagai berikut : = ∩ = = Untuk i ≠ j, sehingga , = | Universitas Sumatera Utara Dari persamaan di atas dapat disimpulkan bahwa asumsi independensi naif tersebut membuat syarat peluang menjadi sederhana, sehingga perhitungan menjadi mungkin untuk dilakukan. Selanjutnya penjabaran | … dapat disederhanakan menjadi : | … = | | | ... = ∏ + | Persamaan di atas merupakan model teorema Naive Bayes yang selanjutnya akan digunakan dalam proses klasifikasi. Untuk klasifikasi dengan data kontinyu digunakan rumus Densitas Gauss : = | , = - = 1 2πσ 3 e 5 6 7 8 9 8 Keterangan : P : Peluang : Atribut ke i : Nilai atribut ke i Y : Kelas yang dicari - : Sub kelas Y yang dicari µ : Mean, menyatakan rata-rata dari seluruh atribut σ : Deviasi standar, menyatakan varian dari seluruh atribut Adapun alur dari metode Naive Bayes adalah sebagai berikut : 1. Input data training 2. Baca data training. 3. Hitung jumlah dan probabilitas, namun apabila data numerik maka : a. Cari nilai mean dan standar deviasi dari masing-masing parameter yang merupakan data numerik. b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut. 4. Mendapatkan nilai dalam tabel mean, standar deviasi dan probabilitas. Universitas Sumatera Utara Berikut merupakan skema Naive Bayes, yang dapat dilihat pada gambar 2.3. Gambar 2.3 Skema Naive Bayes Selesai Tidak Ya Jumlah dan Probabilitas Apakah Data Numerik? Baca Data Training Tabel Probabilitas Mean tiap Parameter Standar Deviasi tiap Parameter Tabel Mean dan Standar Deviasi Mulai Input Data String Solusi Konversi Data Integer Input Data Integer Universitas Sumatera Utara Konsep dari perhitungan Naive Bayes dapat dijelaskan dengan menggunakan contoh yang terdapat pada data sebagai berikut : Tabel 2.1 Data Pemain dan Posisi Nama Dribbling Passing Shooting Technique Stamina Posisi Andi Baik Kurang Baik Baik Kurang Penyerang Budi Kurang Baik Kurang Kurang Baik Bek Candra Baik Kurang Kurang Kurang Baik Bek Doni Baik Baik Baik Baik Kurang Penyerang Erick Kurang Kurang Baik Baik Baik Bek Faisal Baik Baik Kurang Kurang Baik Penyerang Gani Kurang Baik Baik Kurang Kurang Bek Naive Bayes akan menentukan kelas dari data pemain baru berikut : Haris Dribbling = Baik, Passing = Baik, Shooting = Kurang, Technique = Baik, Stamina = Kurang PY = Bek = : = 0.57 PY = Penyerang = : = 0.43 PDribble = Baik | Y = Bek = 1 4 PDribble = Baik | Y = Penyerang = 3 3 PPassing = Baik | Y = Bek = 2 4 PPassing = Baik | Y = Penyerang = 2 3 PShooting = Kurang | Y = Bek = 2 4 PShooting = Kurang | Y = Penyerang = 1 3 PTechnique = Baik | Y = Bek = 1 4 PTechnique = Baik | Y = Penyerang = 2 3 PStamina = Kurang | Y = Bek = 1 4 PStamina = Kurang | Y = Penyerang = 2 3 Universitas Sumatera Utara PBek PDribble | Bek PPassing | Bek PShooting | Bek PTechnique | Bek PStamina | Bek = 4 7 1 4 2 4 2 4 1 4 1 4 = 0,0022 PPenyerang PDribble | Penyerang PPassing | Penyerang PShooting | Penyerang PTechnique | Penyerang PStamina | Penyerang = 3 7 3 3 2 3 1 3 2 3 2 3 = 0,0427 Dari hasil di atas, terlihat bahwa nilai probabilitas tertinggi ada pada kelas P | Penyerang , sehingga dapat disimpulkan bahwa Haris masuk ke dalam klasifikasi “Penyerang”.

2.5. Android

Android merupakan sebuah sistem operasi yang berbasis Linux untuk telepon seluler seperti smartphone dan komputer tablet. Android menyediakan platform terbuka bagi para pengembang untuk menciptakan aplikasi mereka sendiri untuk digunakan oleh berbagai macam peranti bergerak. Sampai pada saat ini, sistem operasi Android sudah memasuki versi 4.2. Uniknya, penanaman versi Android selalu menggunakan nama makanan dan diawali dengan abjad yang berurutan seperti berikut Arif, 2013 : 1. Android version 1.5 Cupcake 2. Android version 1.6 Donut 3. Android version 2.02.1 Eclair 4. Android version 2.2 Frozen YogurtFroyo 5. Android version 2.3 Gingerbread 6. Android version 3.03.13.2 Honeycomb 7. Android version 4.0 Ice Cream Sandwich 8. Android version 4.14.2 Jelly Bean 9. Android version 4.4 Kitkat Universitas Sumatera Utara

2.6. Sepak Bola

Awal mula munculnya sepak bola cukup membingungkan. Beberapa dokumen mengatakan sepak bola berasal dari masa Romawi, namun ada juga yang menyatakan bahwa sepak bola berasal dari daratan Cina. FIFA sendiri sebagai badan sepak bola dunia menyatakan bahwa sepak bola berawal dari permainan yang dilakukan oleh masyarakat Cina pada abad ke-2 hingga ke-3 sebelum Masehi. Olah raga ini dikenal dengan nama “Cuju“. Sepak bola modern yang kita kenal sekarang diakui oleh berbagai pihak berasal dari Inggris. Sepak bola modern ini mulai dimainkan pada pertengahan abad ke-19 di sekolah-sekolah di daerah Inggris Raya. Pada tahun 1857 berdiri klub sepak bola pertama di dunia, dengan nama Sheffield Football Club. Klub sepak bola ini merupakan gabungan dari beberapa sekolah yang memainkan permainan sepak bola. Pada saat yang sama, tepatnya tahun 1863, berdiri badan asosiasi sepak bola di Inggris, dengan nama Football Association FA. Pada saat itu badan inilah yang mengeluarkan peraturan dasar permainan sepak bola, sehingga sepak bola menjadi lebih terorganisir. Pada tahun 1886 terbentuk badan yang mengeluarkan peraturan sepak bola modern di dunia, dengan nama International Football Association Board IFAB. IFAB terbentuk setelah adanya pertemuan antara FA dengan Scottish Football Association, Football Association of Wales, dan Irish Football Association di Manchester, Inggris. Hingga saat ini IFAB adalah badan yang mengeluarkan berbagai peraturan pada permainan sepak bola, mulai dari peraturan dasar hingga peraturan yang menyangkut teknik permainan serta perpindahan pemain. Tidak adanya badan yang mengatur permainan sepak bola di dunia internasional membuat perkembangan olah raga ini agak terhambat. Disadari oleh para pelaku sepak bola bahwa penting untuk membentuk sebuah organisasi yang membawahi dan mengatur permainan sepak bola secara global. Karena itu pada tanggal 21 Mei 1904 dibentuk sebuah badan sepak bola internasional di Perancis dengan nama Fédération Internationale de Football Association FIFA. Meskipun terbentuk di Perancis, namun kantor pusat dari FIFA terdapat di Zurich, Swiss. Sedangkan presiden pertama FIFA adalah Robert Guérin. Universitas Sumatera Utara

2.6.1. Pengenalan Sepak Bola

Sepak bola adalah salah satu olahraga yang sangat populer di dunia. Dalam pertandingan, olahraga ini dimainkan oleh dua kelompok berlawanan yang masing- masing berjuang untuk memasukkan bola ke gawang kelompok lawan. Masing- masing kelompok beranggotakan sebelas pemain, dan karenanya kelompok tersebut juga dinamakan kesebelasan. Dua tim yang masing-masing terdiri dari 11 orang bertarung untuk memasukkan sebuah bola bundar ke gawang lawan mencetak gol. Tim yang mencetak lebih banyak gol adalah sang pemenang biasanya dalam jangka waktu 90 menit, tetapi ada cara lainnya untuk menentukan pemenang jika hasilnya seri. Akan diadakan tambahan waktu 2x15 menit dan apabila dalam tambahan waktu hasilnya masih seri, akan diadakan adu penalti yang setiap timnya akan diberikan lima kali kesempatan untuk menendang bola ke arah gawang dari titik penalti yang berada di dalam daerah kiper hingga hasilnya bisa ditentukan. Peraturan terpenting dalam mencapai tujuan ini adalah para pemain kecuali penjaga gawang tidak boleh menyentuh bola dengan tangan mereka selama masih dalam permainan. Sebuah pertandingan diperintah oleh seorang wasit yang mempunyai wewenang penuh untuk menjalankan pertandingan sesuai peraturan permainan dalam suatu pertandingan yang telah diutuskan kepadanya, dan keputusan-keputusan pertandingan yang dikeluarkannya dianggap sudah final. Sang wasit dibantu oleh dua orang asisten wasit dan seorang ofisial keempat yang dapat menggantikan seorang ofisial lainnya jika diperlukan.

2.6.2. Posisi dan Peran Pemain