Implementasi Antarmuka Sistem IMPLEMENTASI DAN PENGUJIAN

BAB 4 IMPLEMENTASI DAN PENGUJIAN

4.1. Implementasi

Implementasi sistem merupakan tahapan yang harus dilalui dalam proses pengembangan perangkat lunak dari suatu sistem. Tahap ini dilakukan setelah terlebih dahulu melalui tahap Analisis dan Perancangan sistem yang telah diuraikan pada bab sebelumnya. Sistem ini dibangun dengan menggunakan Eclipse 4.2.0. Pada sistem ini terdapat 6 menu, yaitu: Menu Utama, Menu Database, Menu Proses Naive Bayes, Menu Proses, Menu Help,dan Menu About. Penerapan metode Naive Bayes dalam sistem yang dibuat adalah proses perhitungan penentuan posisi ideal pemain dalam sepak bola dengan menggunakan metode Naive Bayes, dimana dengan metode ini data training yang menjadi patokan dalam perhitungan sudah ditetapkan dalam program. Dalam hal ini, user tinggal menginput data-data atribut pemain baru yang ingin diketahui posisi idealnya.

4.2. Antarmuka Sistem

Pada aplikasi penentuan posisi ideal pemain dalam sepak bola dengan menggunakan metode Naive Bayes ini terdapat 6 tampilan, yaitu : 1. Menu Utama 2. Menu Database 3. Menu Proses Naive Bayes 4. Menu Proses 5. Menu Help 6. Menu About Universitas Sumatera Utara

4.2.1. Menu Utama

Pada Menu Utama, terdapat 4 ImageButton yatu : ImageButton Database, ImageButton Proses Naive Bayes, ImageButton Help, dan ImageButton About yang masing – masing berfungsi untuk mengarahkan pengguna menuju halaman lain. Menu Utama dapat dilihat pada gambar 4.1. Gambar 4.1 Menu Utama

4.2.2. Menu Database

Pada halaman ini akan ditampilkan data training ataupun database pemain yang diambil dari Talenta Soccer Rantauprapat. Data training ini yang nantinya menjadi patokan dalam perhitungan untuk menentukan posisi ideal pemain dalam sepak bola. Menu database dapat dilihat pada gambar 4.2. Universitas Sumatera Utara Gambar 4.2 Menu Database Gambar 4.3 Lanjutan Menu Database

4.2.3. Menu Proses Naive Bayes

Pada halaman ini terdapat TextView untuk menampilkan nama dan atribut-atribut pemain, PlainText untuk menampilkan inputan, Spinner untuk menampilkan pilihan kemampuan pemain dan juga terdapat Button yang berfungsi untuk menghitung skor dan mengarahkan pengguna menuju halaman lain. Menu Proses Naive Bayes dapat dilihat pada gambar 4.4. Universitas Sumatera Utara Gambar 4.4 Menu Proses Naive Bayes Keterangan : 81 - 100 = Baik 61 - 80 = Cukup 0 - 60 = Kurang

4.2.4. Menu Proses

Pada halaman ini terdapat TextView untuk menampilkan nama, hasil perhitungan dengan urutan posisi dari skor tertinggi sampai yang terendah, kesimpulan posisi ideal dan juga terdapat imageview untuk menampilkan gambar sesuai dengan skor tertinggi. Menu Proses dapat dilihat pada gambar 4.5. Gambar 4.5 Menu Proses Universitas Sumatera Utara

4.2.5 Menu Help

Pada halaman ini akan menampilkan bagaimana penggunaan sistem. Menu Help dapat dilihat pada gambar 4.6. Gambar 4.6 Menu Help

4.2.6 Menu About

Pada halaman ini akan menampilkan tentang si pembuat sistem. Menu About dapat dilihat pada gambar 4.7. Gambar 4.7 Menu About Universitas Sumatera Utara

4.3. Pengujian

Pengujian sistem dilakukan untuk mengetahui bagaimana kinerja sistem dalam penentuan posisi ideal pemain dalam sepak bola dengan menggunakan metode Naive Bayes. Dalam pengujian ini user memasukkan nilai dari atribut-atribut pemain, kemudian sistem akan melakukan perhitungan dengan metode Naive Bayes sehingga hasil alternatif akan muncul. Tahap awal cara kerja dari proses perhitungan metode Naive Bayes adalah dengan melakukan pengambilan data training dari database pemain. Adapun atribut pemain yang digunakan dalam menentukan keputusan terbagi dalam dua kategori, yakni penilain 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. Tabel 4.1 Data training awal untuk atribut objektif No. Nama Atribut Objektif Posisi Dri Pas Cro Sho Acc Agi Sta Jum 1. Halomoan 50 85 85 70 50 70 75 55 Kiper 2. Reno 55 70 65 50 70 55 85 70 Kiper 3. Anto 65 50 55 50 70 50 55 75 Kiper 4. Agung 85 55 55 85 85 85 50 90 Kiper 5. Fandi 75 90 85 55 55 55 85 85 Bek 6. Anjas 85 55 55 75 50 85 90 70 Bek 7. Faqih 75 55 50 85 55 65 55 75 Bek 8. Indra 70 55 55 75 75 50 75 65 Bek 9. Willy 55 75 75 55 55 90 75 90 Bek 10. Faisal 50 85 90 55 85 50 90 55 Bek 11. Kholis 75 90 85 55 75 75 90 55 Gelandang 12. Hendrik 70 95 85 90 70 75 55 75 Gelandang 13. Zainuddin 75 90 90 70 70 70 55 70 Gelandang 14. Septian 90 75 75 50 90 85 70 65 Gelandang 15. Yusuf 85 55 55 75 85 90 70 55 Gelandang 16. Rada 55 85 85 90 55 50 95 85 Gelandang Universitas Sumatera Utara 17. Bobby 75 75 75 55 70 75 55 55 Penyerang 18. Inal 75 75 70 75 75 75 90 85 Penyerang 19. Topan 95 55 55 95 85 95 85 75 Penyerang 20. Dedi 55 90 90 85 55 55 75 95 Penyerang Keterangan : 81 - 100 = Baik 61 - 80 = Cukup 0 - 60 = Kurang Untuk penilaian secara objektif ini, data awal yang dimasukkan adalah bersifat numerik. Sehingga nanti akan dikonversi menjadi string yang mana akan termasuk dalam kategori baik, cukup maupun kurang. Tabel 4.2 Data training atribut objektif No. Nama Atribut Objektif Posisi Dri Pas Cro Sho Acc Agi Sta Jum 1. Halomoan Kurang Baik Baik Cukup Kurang Cukup Cukup Kurang Kiper 2. Reno Kurang Cukup Cukup Kurang Cukup Kurang Baik Cukup Kiper 3. Anto Cukup Kurang Kurang Kurang Cukup Kurang Kurang Cukup Kiper 4. Agung Baik Kurang Kurang Baik Baik Baik Kurang Baik Kiper 5. Fandi Cukup Baik Baik Kurang Kurang Kurang Baik Baik Bek 6. Anjas Baik Kurang Kurang Cukup Kurang Baik Baik Cukup Bek 7. Faqih Cukup Kurang Kurang Baik Kurang Cukup Kurang Cukup Bek 8. Indra Cukup Kurang Kurang Cukup Cukup Kurang Cukup Cukup Bek 9. Willy Kurang Cukup Cukup Kurang Kurang Baik Cukup Baik Bek 10. Faisal Kurang Baik Baik Kurang Baik Kurang Baik Kurang Bek 11. Kholis Cukup Baik Baik Kurang Cukup Cukup Baik Kurang Gelandang 12. Hendrik Cukup Baik Baik Baik Cukup Cukup Kurang Cukup Gelandang 13. Zainuddin Cukup Baik Baik Cukup Cukup Cukup Kurang Cukup Gelandang 14. Septian Baik Cukup Cukup Kurang Baik Baik Cukup Cukup Gelandang 15. Yusuf Baik Kurang Kurang Cukup Baik Baik Cukup Kurang Gelandang 16. Rada Kurang Baik Baik Baik Kurang Kurang Baik Baik Gelandang 17. Bobby Cukup Cukup Cukup Kurang Cukup Cukup Kurang Kurang Penyerang 18. Inal Cukup Cukup Cukup Cukup Cukup Cukup Baik Baik Penyerang 19. Topan Baik Kurang Kurang Baik Baik Baik Baik Cukup Penyerang 20. Dedi Kurang Baik Baik Baik Kurang Kurang Cukup Baik Penyerang Universitas Sumatera Utara Tabel 4.3 Data training atribut subjektif No. Nama Atribut Subjektif Posisi Agr Com Cre Dec Pos Mar Tea 1. Halomoan Baik Baik Kurang Cukup Baik Baik Kurang Kiper 2. Reno Cukup Kurang Cukup Baik Cukup Cukup Baik Kiper 3. Anto Kurang Baik Cukup Kurang Baik Baik Cukup Kiper 4. Agung Kurang Cukup Baik Cukup Kurang Kurang Kurang Kiper 5. Fandi Baik Kurang Cukup Baik Baik Kurang Kurang Bek 6. Anjas Kurang Kurang Cukup Cukup Baik Cukup Cukup Bek 7. Faqih Cukup Baik Baik Baik Baik Baik Baik Bek 8. Indra Cukup Baik Cukup Kurang Cukup Baik Kurang Bek 9. Willy Cukup Baik Kurang Baik Cukup Baik Kurang Bek 10. Faisal Baik Cukup Kurang Cukup Kurang Baik Kurang Bek 11. Kholis Cukup Baik Baik Baik Kurang Cukup Baik Gelandang 12. Hendrik Cukup Cukup Baik Kurang Cukup Cukup Kurang Gelandang 13. Zainuddin Cukup Kurang Baik Baik Cukup Kurang Cukup Gelandang 14. Septian Baik Kurang Baik Cukup Baik Cukup Baik Gelandang 15. Yusuf Kurang Baik Kurang Cukup Cukup Cukup Baik Gelandang 16. Rada Kurang Baik Cukup Baik Cukup Baik Cukup Gelandang 17. Bobby Baik Cukup Baik Baik Cukup Kurang Cukup Penyerang 18. Inal Baik Kurang Cukup Cukup Baik Baik Kurang Penyerang 19. Topan Cukup Baik Kurang Baik Kurang Kurang Baik Penyerang 20. Dedi Kurang Baik Kurang Kurang Baik Cukup Baik Penyerang Pengujian dengan metode Naive Bayes dilakukan sebanyak 3 kali dengan nilai dari atribut yang berbeda pada setiap pengujian. Pada pengujian pertama, Naive Bayes akan menentukan kelas dari data pemain berikut : Ucok Atribut Objektif Atribut Subjektif Dribbling : 75 = Cukup Aggression = Baik Passing : 85 = Baik Composure = Baik Crossing : 90 = Baik Creativity = Baik Shooting : 70 = Cukup Decisioning = Cukup Accelaration : 50 = Kurang Positioning = Kurang Agility : 75 = Cukup Marking = Cukup Stamina : 70 = Cukup Teamwork = Cukup Jumping : 75 = Cukup Universitas Sumatera Utara Inputan pengujian pertama dapat dilihat pada gambar 4.8. Gambar 4.8 Inputan pengujian 1 Keterangan Gambar 4.8 : 81 - 100 = Baik 61 - 80 = Cukup 0 - 60 = Kurang Nilai kemampuan Dribbling Ucok adalah 75. Setelah dikonversi, maka kemampuan Dribbling Ucok termasuk dalam kategori Cukup. Nilai kemampuan Passing Ucok adalah 85. Setelah dikonversi, maka kemampuan Passing Ucok termasuk dalam kategori Baik. Nilai kemampuan Crossing Ucok adalah 90. Setelah dikonversi, maka kemampuan Crossing Ucok termasuk dalam kategori Baik. Nilai kemampuan Shooting Ucok adalah 70. Setelah dikonversi, maka kemampuan Shooting Ucok termasuk dalam kategori Cukup. Nilai kemampuan Accelaration Ucok adalah 50. Setelah dikonversi, maka kemampuan Accelaration Ucok termasuk dalam kategori Kurang. Nilai kemampuan Agility Ucok adalah 75. Setelah dikonversi, maka kemampuan Agility Ucok termasuk dalam kategori Cukup. Nilai kemampuan Stamina Ucok adalah 70. Setelah dikonversi, maka kemampuan Stamina Ucok termasuk dalam kategori Cukup. Universitas Sumatera Utara Nilai kemampuan Jumping Ucok adalah 75. Setelah dikonversi, maka kemampuan Jumping Ucok termasuk dalam kategori Cukup. Berdasarkan dari tabel data training maka penentuan posisi ideal pemain dalam sepak bola dapat ditentukan melalui langkah berikut : 1. Menghitung jumlah class label : P Y = Kiper = 420 “Jumlah data Kiper pada data training dibagi dengan jumlah keseluruhan data”. P Y = Bek = 620 “Jumlah data Bek pada data training dibagi dengan jumlah keseluruhan data”. P Y = Gelandang = 620 “Jumlah data Gelandang pada data training dibagi dengan jumlah keseluruhan data”. P Y = Penyerang = 420 “Jumlah data Penyerang pada data training dibagi dengan jumlah keseluruhan data”. 2. Menghitung jumlah kasus yang sama dengan class yang sama : P Dribbling = Cukup | Y = Kiper = 14 P Dribbling = Cukup | Y = Bek = 36 P Dribbling = Cukup | Y = Gelandang = 36 P Dribbling = Cukup | Y = Penyerang = 24 P Passing = Baik | Y = Kiper = 14 P Passing = Baik | Y = Bek = 26 P Passing = Baik | Y = Gelandang = 46 P Passing = Baik | Y = Penyerang = 14 P Crossing = Baik | Y = Kiper = 14 P Crossing = Baik | Y = Bek = 26 P Crossing = Baik | Y = Gelandang = 46 P Crossing = Baik | Y = Penyerang = 14 P Shooting = Cukup | Y = Kiper = 14 P Shooting = Cukup | Y = Bek = 26 Universitas Sumatera Utara P Shooting = Cukup | Y = Gelandang = 26 P Shooting = Cukup | Y = Penyerang = 14 P Accelartion = Kurang | Y = Kiper = 14 P Accelartion = Kurang | Y = Bek = 46 P Accelartion = Kurang | Y = Gelandang = 16 P Accelartion = Kurang | Y = Penyerang = 14 P Agility = Cukup | Y = Kiper = 14 P Agility = Cukup | Y = Bek = 16 P Agility = Cukup | Y = Gelandang = 36 P Agility = Cukup | Y = Penyerang = 24 P Stamina = Cukup | Y = Kiper = 14 P Stamina = Cukup | Y = Bek = 26 P Stamina = Cukup | Y = Gelandang = 26 P Stamina = Cukup | Y = Penyerang = 14 P Jumping = Cukup | Y = Kiper = 24 P Jumping = Cukup | Y = Bek = 36 P Jumping = Cukup | Y = Gelandang = 36 P Jumping = Cukup | Y = Penyerang = 14 P Aggression = Baik | Y = Kiper = 14 P Aggression = Baik | Y = Bek = 26 P Aggression = Baik | Y = Gelandang = 16 P Aggression = Baik | Y = Penyerang = 24 P Composure = Baik | Y = Kiper = 24 P Composure = Baik | Y = Bek = 36 P Composure = Baik | Y = Gelandang = 36 P Composure = Baik | Y = Penyerang = 24 Universitas Sumatera Utara P Creativity = Baik | Y = Kiper = 14 P Creativity = Baik | Y = Bek = 16 P Creativity = Baik | Y = Gelandang = 46 P Creativity = Baik | Y = Penyerang = 14 P Decisioning = Cukup | Y = Kiper = 24 P Decisioning = Cukup | Y = Bek = 26 P Decisioning = Cukup | Y = Gelandang = 26 P Decisioning = Cukup | Y = Penyerang = 14 P Positioning = Kurang | Y = Kiper = 14 P Positioning = Kurang | Y = Bek = 16 P Positioning = Kurang | Y = Gelandang = 16 P Positioning = Kurang | Y = Penyerang = 14 P Marking = Cukup | Y = Kiper = 14 P Marking = Cukup | Y = Bek = 16 P Marking = Cukup | Y = Gelandang = 46 P Marking = Cukup | Y = Penyerang = 14 P Teamwork = Cukup | Y = Kiper = 14 P Teamwork = Cukup | Y = Bek = 16 P Teamwork = Cukup | Y = Gelandang = 26 P Teamwork = Cukup | Y = Penyerang = 14 3. Kalikan semua variabel Kiper, Bek, Gelandang dan Penyerang. PDribbling | Kiper PPassing | Kiper PCrossing | Kiper PShooting | Kiper PAccelaration | Kiper PAgility | Kiper PStamina | Kiper PJumping | Kiper PAggression | Kiper PComposure | Kiper PCreativity | Kiper PDecisioning | Kiper PPositioning | Kiper PMarking | Kiper PTeamwork | Kiper PKiper Universitas Sumatera Utara = 14 14 14 14 14 14 14 24 14 24 14 24 14 14 14 420 = 0.25 0.25 0.25 0.25 0.25 0.25 0.25 0.5 0.25 0.5 0.25 0.5 0.25 0.25 0.25 0.2 = 0,0000000015 Maka nilai probabilitas untuk posisi Kiper adalah 0,0000000015. PDribbling | Bek PPassing | Bek PCrossing | Bek PShooting | Bek PAccelaration | Bek PAgility | Bek PStamina | Bek PJumping | Bek PAggression | Bek PComposure | Bek PCreativity | Bek PDecisioning | Bek PPositioning | Bek PMarking | Bek PTeamwork | Bek PBek = 36 26 26 26 46 16 26 36 26 36 16 26 16 16 16 620 = 0.5 0.33 0.33 0.33 0.67 0.17 0.33 0.5 0.33 0.5 0.17 0.33 0.17 0.17 0.17 0.3 = 0,0000000044 Maka nilai probabilitas untuk posisi Bek adalah 0,0000000044. PDribbling | Gelandang PPassing | Gelandang PCrossingGelandang PShooting | Gelandang PAccelaration | Gelandang PAgility | Gelandang PStamina | Gelandang PJumping | Gelandang PAggression | Gelandang PComposure | Gelandang PCreativity | Gelandang PDecisioning | Gelandang PPositioning | Gelandang PMarking | Gelandang PTeamwork | Gelandang PGelandang = 36 26 26 26 46 36 26 36 16 36 46 26 16 46 26 620 = 0.5 0.33 0.33 0.33 0.67 0.5 0.33 0.5 0.17 0.5 0.67 0.33 0.17 0.67 0.33 0.3 = 0,0000002117 Maka nilai probabilitas untuk posisi Gelandang adalah 0,0000002117. Universitas Sumatera Utara PDribbling | Penyerang PPassing | Penyerang PCrossing | Penyerang PShooting | Penyerang PAccelaration | Penyerang PAgility | Penyerang PStamina | Penyerang PJumping | Penyerang PAggression | Penyerang PComposure | Penyerang PCreativity | Penyerang PDecisioning | Penyerang PPositioning | Penyerang PMarking | Penyerang PTeamwork | Penyerang PPenyerang = 24 14 14 14 14 24 14 14 24 24 14 14 14 14 14 420 = 0.5 0.25 0.25 0.25 0.25 0.5 0.25 0.25 0.5 0.5 0.25 0.25 0.25 0.25 0.25 0.2 = 0,000000003 Maka nilai probabilitas untuk posisi Penyerang adalah 0,0000000015. 4. Bandingkan hasil kelas Kiper, Bek, Gelandang dan Penyerang. Hasil pengujian pertama dapat dilihat pada gambar 4.9. Gambar 4.9 Hasil pengujian 1 Dari hasil pengujian pada Gambar 4.9 terlihat bahwa nilai probabilitas tertinggi ada pada kelas P|Gelandang dengan skor 0,0000002117. Sehingga dapat disimpulkan bahwa posisi ideal Ucok adalah Gelandang. Universitas Sumatera Utara Pada pengujian kedua, Naive Bayes akan menentukan kelas dari data pemain berikut : Randy Atribut Objektif Atribut Subjektif Dribbling : 55 = Kurang Aggression = Kurang Passing : 85 = Baik Composure = Baik Crossing : 50 = Kurang Creativity = Kurang Shooting : 70 = Cukup Decisioning = Cukup Accelaration : 55 = Kurang Positioning = Baik Agility : 70 = Cukup Marking = Baik Stamina : 90 = Baik Teamwork = Cukup Jumping : 85 = Baik Inputan pengujian kedua dapat dilihat pada gambar 4.10. Gambar 4.10 Inputan pengujian 2 Keterangan Gambar 4.10 : 81 - 100 = Baik 61 - 80 = Cukup 0 - 60 = Kurang Universitas Sumatera Utara Nilai kemampuan Dribbling Randy adalah 55. Setelah dikonversi, maka kemampuan Dribbling Randy termasuk dalam kategori Kurang. Nilai kemampuan Passing Randy adalah 85. Setelah dikonversi, maka kemampuan Passing Randy termasuk dalam kategori Baik. Nilai kemampuan Crossing Randy adalah 50. Setelah dikonversi, maka kemampuan Crossing Randy termasuk dalam kategori Kurang. Nilai kemampuan Shooting Randy adalah 70. Setelah dikonversi, maka kemampuan Shooting Randy termasuk dalam kategori Cukup. Nilai kemampuan Accelaration Randy adalah 55. Setelah dikonversi, maka kemampuan Accelaration Randy termasuk dalam kategori Kurang. Nilai kemampuan Agility Randy adalah 70. Setelah dikonversi, maka kemampuan Agility Randy termasuk dalam kategori Cukup. Nilai kemampuan Stamina Randy adalah 90. Setelah dikonversi, maka kemampuan Stamina Randy termasuk dalam kategori Baik. Nilai kemampuan Jumping Randy adalah 85. Setelah dikonversi, maka kemampuan Jumping Randy termasuk dalam kategori Baik. Berdasarkan dari tabel data training maka penentuan posisi ideal pemain dalam sepak bola dapat ditentukan melalui langkah berikut : 1. Menghitung jumlah class label : P Y = Kiper = 420 “Jumlah data Kiper pada data training dibagi dengan jumlah keseluruhan data”. P Y = Bek = 620 “Jumlah data Bek pada data training dibagi dengan jumlah keseluruhan data”. P Y = Gelandang = 620 “Jumlah data Gelandang pada data training dibagi dengan jumlah keseluruhan data”. P Y = Penyerang = 420 “Jumlah data Penyerang pada data training dibagi dengan jumlah keseluruhan data”. 2. Menghitung jumlah kasus yang sama dengan class yang sama : P Dribbling = Kurang | Y = Kiper = 24 P Dribbling = Kurang | Y = Bek = 26 Universitas Sumatera Utara P Dribbling = Kurang | Y = Gelandang = 16 P Dribbling = Kurang | Y = Penyerang = 14 P Passing = Baik | Y = Kiper = 14 P Passing = Baik | Y = Bek = 26 P Passing = Baik | Y = Gelandang = 46 P Passing = Baik | Y = Penyerang = 14 P Crossing = Kurang | Y = Kiper = 24 P Crossing = Kurang | Y = Bek = 36 P Crossing = Kurang | Y = Gelandang = 16 P Crossing = Kurang | Y = Penyerang = 14 P Shooting = Cukup | Y = Kiper = 14 P Shooting = Cukup | Y = Bek = 26 P Shooting = Cukup | Y = Gelandang = 26 P Shooting = Cukup | Y = Penyerang = 14 P Accelartion = Kurang | Y = Kiper = 14 P Accelartion = Kurang | Y = Bek = 46 P Accelartion = Kurang | Y = Gelandang = 16 P Accelartion = Kurang | Y = Penyerang = 14 P Agility = Cukup | Y = Kiper = 14 P Agility = Cukup | Y = Bek = 16 P Agility = Cukup | Y = Gelandang = 36 P Agility = Cukup | Y = Penyerang = 24 P Stamina = Baik | Y = Kiper = 14 P Stamina = Baik | Y = Bek = 36 P Stamina = Baik | Y = Gelandang = 26 P Stamina = Baik | Y = Penyerang = 24 Universitas Sumatera Utara P Jumping = Baik | Y = Kiper = 14 P Jumping = Baik | Y = Bek = 26 P Jumping = Baik | Y = Gelandang = 16 P Jumping = Baik | Y = Penyerang = 24 P Aggression = Kurang | Y = Kiper = 24 P Aggression = Kurang | Y = Bek = 16 P Aggression = Kurang | Y = Gelandang = 26 P Aggression = Kurang | Y = Penyerang = 14 P Composure = Baik | Y = Kiper = 14 P Composure = Baik | Y = Bek = 36 P Composure = Baik | Y = Gelandang = 36 P Composure = Baik | Y = Penyerang = 24 P Creativity = Kurang | Y = Kiper = 14 P Creativity = Kurang | Y = Bek = 26 P Creativity = Kurang | Y = Gelandang = 16 P Creativity = Kurang | Y = Penyerang = 24 P Decisioning = Cukup | Y = Kiper = 24 P Decisioning = Cukup | Y = Bek = 26 P Decisioning = Cukup | Y = Gelandang = 26 P Decisioning = Cukup | Y = Penyerang = 14 P Positioning = Baik | Y = Kiper = 24 P Positioning = Baik | Y = Bek = 36 P Positioning = Baik | Y = Gelandang = 16 P Positioning = Baik | Y = Penyerang = 24 Universitas Sumatera Utara P Marking = Baik | Y = Kiper = 24 P Marking = Baik | Y = Bek = 46 P Marking = Baik | Y = Gelandang = 16 P Marking = Baik | Y = Penyerang = 14 P Teamwork = Cukup | Y = Kiper = 14 P Teamwork = Cukup | Y = Bek = 16 P Teamwork = Cukup | Y = Gelandang = 26 P Teamwork = Cukup | Y = Penyerang = 14 3. Kalikan semua variabel Kiper, Bek, Gelandang dan Penyerang. PDribbling | Kiper PPassing | Kiper PCrossing | Kiper PShooting | Kiper PAccelaration | Kiper PAgility | Kiper PStamina | Kiper PJumping | Kiper PAggression | Kiper PComposure | Kiper PCreativity | Kiper PDecisioning | Kiper PPositioning | Kiper PMarking | Kiper PTeamwork | Kiper PKiper = 24 14 24 14 14 14 14 14 24 24 14 24 24 24 14 420 = 0.5 0.25 0.5 0.25 0.25 0.25 0.25 0.25 0.5 0.25 0.25 0.5 0.5 0.5 0.25 0.2 = 0,0000000238 Maka nilai probabilitas untuk posisi Kiper adalah 0,0000000238. PDribbling | Bek PPassing | Bek PCrossing | Bek PShooting | Bek PAccelaration | Bek PAgility | Bek PStamina | Bek PJumping | Bek PAggression | Bek PComposure | Bek PCreativity | Bek PDecisioning | Bek PPositioning | Bek PMarking | Bek PTeamwork | Bek PBek = 26 26 36 26 46 16 36 26 16 36 26 26 36 46 16 620 = 0.33 0.33 0.5 0.33 0.67 0.17 0.5 0.33 0.17 0.5 0.33 0.33 0.5 0.67 0.17 0.3 Universitas Sumatera Utara = 0,0000000529 Maka nilai probabilitas untuk posisi Bek adalah 0,0000000529. PDribbling | Gelandang PPassing | Gelandang PCrossingGelandang PShooting | Gelandang PAccelaration | Gelandang PAgility | Gelandang PStamina | Gelandang PJumping | Gelandang PAggression | Gelandang PComposure | Gelandang PCreativity | Gelandang PDecisioning | Gelandang PPositioning | Gelandang PMarking | Gelandang PTeamwork | Gelandang PGelandang = 16 46 16 26 16 36 26 16 26 36 16 26 16 16 26 620 = 0.17 0.67 0.17 0.33 0.17 0.5 0.33 0.17 0.33 0.5 0.17 0.33 0.17 0.17 0.33 0.3 = 0,0000000007 Maka nilai probabilitas untuk posisi Gelandang adalah 0,0000000007. PDribbling | Penyerang PPassing | Penyerang PCrossing | Penyerang PShooting | Penyerang PAccelaration | Penyerang PAgility | Penyerang PStamina | Penyerang PJumping | Penyerang PAggression | Penyerang PComposure | Penyerang PCreativity | Penyerang PDecisioning | Penyerang PPositioning | Penyerang PMarking | Penyerang PTeamwork | Penyerang PPenyerang = 14 14 14 14 14 24 24 24 14 24 24 14 24 14 14 420 = 0.5 0.25 0.25 0.25 0.25 0.5 0.5 0.5 0.25 0.5 0.5 0.25 0.5 0.25 0.25 0.2 = 0,0000000119 Maka nilai probabilitas untuk posisi Penyerang adalah 0,0000000119. 4. Bandingkan hasil kelas Kiper, Bek, Gelandang dan Penyerang. Universitas Sumatera Utara Hasil pengujian kedua dapat dilihat pada gambar 4.11. Gambar 4.11 Hasil pengujian 2 Dari hasil pengujian pada Gambar 4.11 terlihat bahwa nilai probabilitas tertinggi ada pada kelas P|Bek dengan skor 0,0000000529. Sehingga dapat disimpulkan bahwa posisi ideal Randy adalah Bek. Pada pengujian ketiga, Naive Bayes akan menentukan kelas dari data pemain berikut : Daud Atribut Objektif Atribut Subjektif Dribbling : 90 = Baik Aggression = Cukup Passing : 85 = Baik Composure = Cukup Crossing : 75 = Cukup Creativity = Cukup Shooting : 90 = Baik Decisioning = Baik Accelaration : 70 = Cukup Positioning = Baik Agility : 75 = Cukup Marking = Kurang Stamina : 70 = Cukup Teamwork = Kurang Jumping : 55 = Kurang Universitas Sumatera Utara Inputan pengujian ketiga dapat dilihat pada gambar 4.12. Gambar 4.12 Inputan pengujian 3 Keterangan Gambar 4.12 : 81 - 100 = Baik 61 - 80 = Cukup 0 - 60 = Kurang Nilai kemampuan Dribbling Daud adalah 90. Setelah dikonversi, maka kemampuan Dribbling Daud termasuk dalam kategori Baik. Nilai kemampuan Passing Daud adalah 85. Setelah dikonversi, maka kemampuan Passing Daud termasuk dalam kategori Baik. Nilai kemampuan Crossing Daud adalah 75. Setelah dikonversi, maka kemampuan Crossing Daud termasuk dalam kategori Cukup. Nilai kemampuan Shooting Daud adalah 90. Setelah dikonversi, maka kemampuan Shooting Daud termasuk dalam kategori Baik. Nilai kemampuan Accelaration Daud adalah 70. Setelah dikonversi, maka kemampuan Accelaration Daud termasuk dalam kategori Cukup. Nilai kemampuan Agility Daud adalah 75. Setelah dikonversi, maka kemampuan Agility Daud termasuk dalam kategori Cukup. Nilai kemampuan Stamina Daud adalah 70. Setelah dikonversi, maka kemampuan Stamina Daud termasuk dalam kategori Cukup. Universitas Sumatera Utara Nilai kemampuan Jumping Daud adalah 55. Setelah dikonversi, maka kemampuan Jumping Daud termasuk dalam kategori Kurang. Berdasarkan dari tabel data training maka penentuan posisi ideal pemain dalam sepak bola dapat ditentukan melalui langkah berikut : 1. Menghitung jumlah class label : P Y = Kiper = 420 “Jumlah data Kiper pada data training dibagi dengan jumlah keseluruhan data”. P Y = Bek = 620 “Jumlah data Bek pada data training dibagi dengan jumlah keseluruhan data”. P Y = Gelandang = 620 “Jumlah data Gelandang pada data training dibagi dengan jumlah keseluruhan data”. P Y = Penyerang = 420 “Jumlah data Penyerang pada data training dibagi dengan jumlah keseluruhan data”. 2. Menghitung jumlah kasus yang sama dengan class yang sama : P Dribbling = Baik | Y = Kiper = 14 P Dribbling = Baik | Y = Bek = 16 P Dribbling = Baik | Y = Gelandang = 26 P Dribbling = Baik | Y = Penyerang = 14 P Passing = Baik | Y = Kiper = 14 P Passing = Baik | Y = Bek = 26 P Passing = Baik | Y = Gelandang = 46 P Passing = Baik | Y = Penyerang = 14 P Crossing = Cukup | Y = Kiper = 14 P Crossing = Cukup | Y = Bek = 16 P Crossing = Cukup | Y = Gelandang = 16 P Crossing = Cukup | Y = Penyerang = 24 P Shooting = Baik | Y = Kiper = 14 P Shooting = Baik | Y = Bek = 16 Universitas Sumatera Utara P Shooting = Baik | Y = Gelandang = 26 P Shooting = Baik | Y = Penyerang = 24 P Accelartion = Cukup | Y = Kiper = 24 P Accelartion = Cukup | Y = Bek = 16 P Accelartion = Cukup | Y = Gelandang = 36 P Accelartion = Cukup | Y = Penyerang = 24 P Agility = Cukup | Y = Kiper = 14 P Agility = Cukup | Y = Bek = 16 P Agility = Cukup | Y = Gelandang = 36 P Agility = Cukup | Y = Penyerang = 24 P Stamina = Cukup | Y = Kiper = 14 P Stamina = Cukup | Y = Bek = 26 P Stamina = Cukup | Y = Gelandang = 26 P Stamina = Cukup | Y = Penyerang = 14 P Jumping = Kurang | Y = Kiper = 14 P Jumping = Kurang | Y = Bek = 16 P Jumping = Kurang | Y = Gelandang = 26 P Jumping = Kurang | Y = Penyerang = 14 P Aggression = Cukup | Y = Kiper = 14 P Aggression = Cukup | Y = Bek = 36 P Aggression = Cukup | Y = Gelandang = 36 P Aggression = Cukup | Y = Penyerang = 14 P Composure = Cukup | Y = Kiper = 14 P Composure = Cukup | Y = Bek = 16 P Composure = Cukup | Y = Gelandang = 16 P Composure = Cukup | Y = Penyerang = 14 Universitas Sumatera Utara P Creativity = Cukup | Y = Kiper = 24 P Creativity = Cukup | Y = Bek = 36 P Creativity = Cukup | Y = Gelandang = 16 P Creativity = Cukup | Y = Penyerang = 14 P Decisioning = Baik | Y = Kiper = 14 P Decisioning = Baik | Y = Bek = 26 P Decisioning = Baik | Y = Gelandang = 36 P Decisioning = Baik | Y = Penyerang = 24 P Positioning = Baik | Y = Kiper = 24 P Positioning = Baik | Y = Bek = 36 P Positioning = Baik | Y = Gelandang = 16 P Positioning = Baik | Y = Penyerang = 24 P Marking = Kurang | Y = Kiper = 14 P Marking = Kurang | Y = Bek = 16 P Marking = Kurang | Y = Gelandang = 16 P Marking = Kurang | Y = Penyerang = 24 P Teamwork = Kurang | Y = Kiper = 24 P Teamwork = Kurang | Y = Bek = 46 P Teamwork = Kurang | Y = Gelandang = 16 P Teamwork = Kurang | Y = Penyerang = 14 3. Kalikan semua variabel Kiper, Bek, Gelandang dan Penyerang. PDribbling | Kiper PPassing | Kiper PCrossing | Kiper PShooting | Kiper PAccelaration | Kiper PAgility | Kiper PStamina | Kiper PJumping | Kiper PAggression | Kiper PComposure | Kiper PCreativity | Kiper PDecisioning | Kiper PPositioning | Kiper PMarking | Kiper PTeamwork | Kiper PKiper Universitas Sumatera Utara = 14 14 14 14 24 14 14 14 14 14 24 14 24 14 24 420 = 0.25 0.25 0.25 0.25 0.5 0.25 0.25 0.25 0.25 0.25 0.5 0.25 0.5 0.25 0.5 0.2 = 0,000000003 Maka nilai probabilitas untuk posisi Kiper adalah 0,000000003. PDribbling | Bek PPassing | Bek PCrossing | Bek PShooting | Bek PAccelaration | Bek PAgility | Bek PStamina | Bek PJumping | Bek PAggression | Bek PComposure | Bek PCreativity | Bek PDecisioning | Bek PPositioning | Bek PMarking | Bek PTeamwork | Bek PBek = 16 26 16 16 16 16 26 16 36 16 36 26 36 16 46 620 = 0.17 0.33 0.17 0.17 0.17 0.17 0.33 0.17 0.5 0.17 0.5 0.33 0.5 0.17 0.67 0.3 = 0,0000000008 Maka nilai probabilitas untuk posisi Bek adalah 0,0000000008. PDribbling | Gelandang PPassing | Gelandang PCrossingGelandang PShooting | Gelandang PAccelaration | Gelandang PAgility | Gelandang PStamina | Gelandang PJumping | Gelandang PAggression | Gelandang PComposure | Gelandang PCreativity | Gelandang PDecisioning | Gelandang PPositioning | Gelandang PMarking | Gelandang PTeamwork | Gelandang PGelandang = 26 46 16 26 36 36 26 26 36 16 16 36 16 16 16 620 = 0.33 0.67 0.17 0.33 0.5 0.5 0.33 0.33 0.5 0.17 0.17 0.5 0.17 0.17 0.17 0.3 = 0,0000000033 Maka nilai probabilitas untuk posisi Gelandang adalah 0,0000000033. Universitas Sumatera Utara PDribbling | Penyerang PPassing | Penyerang PCrossing | Penyerang PShooting | Penyerang PAccelaration | Penyerang PAgility | Penyerang PStamina | Penyerang PJumping | Penyerang PAggression | Penyerang PComposure | Penyerang PCreativity | Penyerang PDecisioning | Penyerang PPositioning | Penyerang PMarking | Penyerang PTeamwork | Penyerang PPenyerang = 14 14 24 24 24 24 14 14 14 14 14 24 24 24 14 420 = 0.25 0.25 0.5 0.5 0.5 0.5 0.25 0.25 0.25 0.25 0.25 0.5 0.5 0.5 0.25 0.2 = 0,0000000238 Maka nilai probabilitas untuk posisi Penyerang adalah 0,0000000238. 4. Bandingkan hasil kelas Kiper, Bek, Gelandang dan Penyerang. Hasil pengujian ketiga dapat dilihat pada gambar 4.13. Gambar 4.13 Hasil pengujian 3 Dari hasil pengujian pada Gambar 4.13 terlihat bahwa nilai probabilitas tertinggi ada pada kelas P|Penyerang dengan skor 0,0000000238. Sehingga dapat disimpulkan bahwa posisi ideal Daud adalah Penyerang. Universitas Sumatera Utara

BAB 5 KESIMPULAN DAN SARAN