Keepingdalam sepak bola. Question from @Rizqi137 - Sekolah Menengah Pertama - Penjaskes. Search. Articles Register ; Sign In . Rizqi137 @Rizqi137. December 2018 1 85 Report. Keeping dalam sepak bola . maulana2331 Keeping dalam sepak bola yaitu seorang penjaga gawang . 0 votes Thanks 0. achunksblog- Mungkin banyak diantara kita yang masih belum mengetahui apa maksud dari WF, CB, atau singkatan-singkatan yang lain yang ada di dalam permainan winning eleven, nah pada kesempatan inilah kita akan belajar dan mengenal satu persatu singkatan-singkatan tersebut sehingga kita seolah-olah menjadi seorang master game khususnya game sepak bola yang mayoritas paling diminati di dunia. Fiturlainnya adalah Metal+2,5D Glass CMF, Finger Scanner, dan Dual SIM. 3. Samsung Galaxy A7Kemudian, MSports coba merangkumnya ke dalam tema Sepatu Sepak Bola Terbaik pada 2015. Daftar terbaik di bawah disusun secara tidak berurutan. (CBN) 1) Adidas Messi 15.1 (£160) situs berita sepak bola yang menyediakan beragam berita sepak bola terkini dan terlengkap. Kami memuat berbebagai berita bola dari liga-liga besar Eropa dan dunia seperti Liga Inggris, Serie A, Divisi Primera, Bundesliga 1, hingga Liga Champions Eropa, Piala Dunia 2022. CMF, CF di Sepak Bola. Pesta 10 Gol, Inggris DiPES 2012 ada beberapa mode permainan yang menarik. yaitu become a legend, master league, club boss. di sini kita akan membahas tentang become a legend. baik lah apa become a legend itu? become a legend dalam PES 2012 adalah perjalanan seorang pemain sepak bola untuk menjadi sukses. jadi disini kita di suruh membuat pemain baru, yang risiko yang berkaitan dengan selera konsumen adalah. Ilustrasi Formasi 4-4-2 – Salah satu formasi yang sering diterapkan oleh sepak bola modern adalah 4-4-2. Skema ini sangat cocok untuk tim yang memanfaatkan lebar lapangan untuk menyerang tim lawan. Gaya permainan yang menyebar di sisi lapangan memungkinkan para pemain untuk bermain melebar dan melepas umpan silang ke area tengah. Keuntungan bermain dengan formasi 4-4-2 adalah adanya 2 gelandang di sisi sayap atau samping sehingga cakupan area serangan yang lebih luas dengan bermain melebar ditambah dengan 2 gelandang di tengah sebagai opsi untuk penghubung dengan striker. Baca Juga Arti Posisi Pemain Dalam Sepak Bola Ada GK, RB, CB, DMF, CMF Hingga CF Namun kekurangan menggunakan formasi ini adalah gaya serangan yang mudah ditebak. Sehingga memerlukan pengembangan tim lawan yang menggunakan skema formasi 5 bek. Berikut 5 hal yang yang harus diperhatikan dalam menggunakan formasi 4-4-2 ini agar lebih efektif dalam penerapan dalam sepak bola. 5 Hal Menggunakan Formasi 4-4-2 1. Posisi LMF dan RMF Pemain yang ditempatkan pada posisi ini sangat vital, karena sebagai pengatur serangan. Usahakan pemain yang menempati posisi ini harus memiliki skill yang memeiliki kecepatan dan ketepatan dalam melakukan umpan silang. 2. Posisi CF Pemain yang menempati posisi ujung tombak serangan ini harus memiliki skill untuk melakukan duel bola udara yang baik atau mahir dalam memanfaatkan tembakan first time karena pola serangan yang memanfaatkan lebar lapangan. 3. Posisi RB dan LB Pemain yang menempati posisi ini tugasnya hampir sama dengan pemain yang menempati posisi LMF dan RMF, sebagai pembantu serangan tanpa melupakan area bertahan jika ada seranagn balik. Baca Juga Cara Download Musik Youtube Menjadi Format MP3, Simak Langkahnya 4. CMF dan DMF Salah satu yang dapat dikembangkan dalam penerapan formasi 4-4-2 ini adalah menggunakan 1 CMF dan 1 DMF diisi oleh pemain jangkar yang memiliki kemampuan bertahan yang baik. Atau untuk bermain aman bisa menggunakan 2 DMF. 5. Stunning Pass Dalam melakukan serangan menggunakan formasi 4-4-2 juga sangat efektif untuk melakukan stunning pass ketika umpan silang baik itu kepada CMF maupun CF atau striker. Itulah keuntungan, kekurangan dan beberapa hal untuk membuat formasi 4-4-2 bisa lebih efektif. Jika Anda bermain sepak bola bersama teman-teman Anda, formasi apa yang kalian gunakan? Dan sudahkah efektif dalam serangan maupun bertahan? Guru-Expert utama lainnya akan memuja apa pun yang ditinggalkan Kong shi sebagai relik suci, tidak berani menodai itu. Apa yang ada di hadapannya saat ini adalah ruang terlipat beberapa ribu meter persegi. Jika ada beberapa cara untuk mengasimilasi kedua artefak spasial bersama-sama, dia benar-benar akan mampu memanggil pasukan binatang buas dengan keinginan untuk memusnahkan siapa pun yang menjengkelkannya. Bola dapat ditendang dengan kaki bagian dalam, ujung jari kaki, tumit atau kura-kura kaki atau dapat juga dimainkan dengan paha kalau bola tinggi. Artinya, sekarang anak dapat juga menendang bola ke segala arah. Tetapi orang ini ... dia sebenarnya bermaksud memiliki binatang jinaknya sendiri melahap ruang terlipat tempat Kong shi naik ke Sainthood di ... Sungguh, apa yang ada dalam pikirannya? cmf dalam sepak bola Teknik ini biasanya digunakan bila pemain ingin menggiring bola dengan lari ke depan lurus. Kaki yang digunakan untuk menggirirng bola ditarik ke bawah pada pergelangan kaki sehingga kura-kura kaki menghadap ke depan. Bola disentuh dengan menggunakan punggung kaki dengan luwes sehingga bola tetap dekat dengan kaki. Untuk cmf dalam sepak bola lebih jelasnya amati gambar pembagian information terurut menjadi empat kelompok yang sama banyak seperti berikut Benda yang dibakar akan mengalmi perubahan sifat, contohnya kayu yang dibakar menjadi arang dan kertas dibakar menjadi abu, Bamboo adalah istilah untuk pohon bambu atau bambu yang sudah diolah. Istilah ini diperoleh dari bahasa Belanda bamboes, yang mana berakar pada bahasa Melayu mambu. Treble Winner istilah untuk klub pemenang tiga piala dalam tiga kejuaraan yang berbeda dalam satu musim kompetisi. starting off Eleven istilah untuk 11 pemain utama yang mengisi sebuah tim sepakbola dan dimainkan sejak menit pertama. Sebenarnya masih ada banyak istilah yang belum dapat kami cantumkan disini. Jika anda mempunyai pengetahuan seputar topik diatas, anda dapat ikut berkontribusi dengan menuliskannya komentar dibawah. Terimakasih banyak! Karena jika penembak tidak melompat maka tembakannya mudah sixteen. dihalangi. Umumnya tembakan ini dilakukan saat lemparan bebas Vibrafon alat musik yang dimainkan dengan cara memukul batangan-batangan alumunium yang terjajar diatas meja vibrafon. Setelah sampai pada tempat yang dituju, bola dioperkan pada teman tersebut dan dia menggantikan posisi berdiri teman tersebut, sedangkan teman yang menerima bola tadi mendribble bola kedepan kearah teman yang lain yang belum mendapat giliran. Begitu selanjutnya sampai peserta didik cmf dalam sepak bola mendapat giliran. - Sistem pertandingan setengah kompetisi disebut juga dengan istilah round-robin. Pengertian sistem pertandingan setengah kompetisi adalah beberapa tim dimasukkan dalam satu grup, kemudian setiap tim akan saling pengaplikasiannya, sistem pertandingan setengah kompetisi akan bermain sebanyak jumlah tim dikurangi satu. Sebagai contoh, satu grup terdiri dari empat tim. Maka setiap tim akan bermain tiga kali. Baca juga Mengapa Orang Amerika Serikat Menyebut Sepak Bola dengan Soccer? Kemudian, dalam menganalisa hasil pertandingan sepak bola dengan sistem pertandingan setengah kompetisi adalah dengan tim yang meraih poin setiap kemenangan akan mendapatkan 3 tiga poin, imbang 1 satu poin, dan kalah adalah 0 nol poin. Jika ada jumlah poin yang sama pada hasil akhir, pemenang akan ditentukan berdasarkan aturan yang sudah disepakati sebelumnya. Round robin banyak dipakai dalam sebuah kompetisi babak gugur. Seperti Liga Champions, Piala Dunia, Piala AFF, dsb. Baca juga Kapan Throw-in Berlaku dalam Sepak Bola? Peserta akan dimasukkan dalam sebuah grup terlebih dahulu untuk kemudian diambil dua tim teratas pada hasil akhir. Pada Piala AFF 2020 misalnya, jika terjadi poin yang sama, pemenang akan ditentukan lewat selisih gol pada babak penyisihan. - Waktu tambahan untuk permainan sepak bola ketika tidak ada tim yang melakukan gol adalah extra time. Extra time hanya digunakan saat sepak bola memakai sistem gugur atau harus ada satu pemenang dalam sebuah time tidak bisa dipakai untuk format liga. Sebab, liga masih menerima hasil imbang atu seri. Extra Time dalam Sepak Bola Extra time adalah waktu tambahan ketika laga dalam 90 menit atau 45 menit kali 2 babak berakhir imbang. Baca juga Apa Perbedaan antara Second Striker dan Penyerang Tengah? Durasi extra time sepak bola adalah 15 menit dan dilakukan dengan dua babak. Artinya, total 30 menit. Extra time atau babak tambahan hanya diberikan dalam pertandingan fase gugur. Artinya, harus ada pemenang dalam laga tersebut. Seperti halnya dalam babak gugur Liga Champions, Piala Dunia, hingga Piala Extra Time dengan Injury Time Secara pengertian dalam Bahasa Indonesia, ekstra time dan injury time nyaris sama yakni tambahan waktu. Baca juga Pengertian dan Aturan Injury Time dalam Sepak Bola Akan tetapi, fungsi maupun konteks antara kedua istilah berbeda jauh. Injury time adalah waktu tambahan yang dibutuhkan wasit ketika pemain yang cedera atau kompensasi yang diberikan oleh wasit pada setiap babak untuk semua waktu yang hilang pada babak tersebut. Injury time diberikan tepat setelah 45 menit waktu normal berakhir. Sementara extra time diberikan jika dua babak 45 menit sudah selesai dan laga berakhir imbang dalam sebuah babak gugur. Jika kedua tim masih kedudukan imbang, maka diadakan perpanjangan waktu selama 2 x 15 menit, hingga muncul pemenang. Baca juga Apa Itu Agregat dalam Sepak Bola? Dapatkan update berita pilihan dan breaking news setiap hari dari Mari bergabung di Grup Telegram " News Update", caranya klik link kemudian join. Anda harus install aplikasi Telegram terlebih dulu di ponsel. 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.

cmf dalam sepak bola