skripsi-ahmad rifai-111401020

6
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
7
2. Manajemen Model
Manajemen model merupakan paket perangkat lunak yang memasukkan modelmodel 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
8
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
9
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
10
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
11
Berikut merupakan langkah proses klasifikasi, yang dapat dilihat pada gambar 2.2.
Classification Algorithm
Training Data
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
...
...
...
...
Classification Rules
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
Classification Rules
Training Data
New Data
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
Gambar 2.2 Langkah Proses Klasifikasi (Han and Kamber, 2006)
Universitas Sumatera Utara
12
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
P(H|X) : Probabilitas hipotesis H berdasar kondisi X (posterior probability)
P(H)
: Probabilitas hipotesis H (prior probability)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X)
: 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
13
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
14
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
(5 !7#%)8
! 6 8
9 #%
e
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
15
Berikut merupakan skema Naive Bayes, yang dapat dilihat pada gambar 2.3.
Mulai
Input
Data Integer
Konversi Data
Integer
Input
Data String
Baca Data
Training
Tidak
Ya
Apakah Data
Numerik?
Jumlah dan
Probabilitas
Mean tiap
Parameter
Tabel
Probabilitas
Standar Deviasi
tiap Parameter
Tabel Mean dan
Standar Deviasi
Solusi
Selesai
Gambar 2.3 Skema Naive Bayes
Universitas Sumatera Utara
16
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)
P(Y = Bek) = = 0.57
:
P(Y = Penyerang) = = 0.43
:
P(Dribble = Baik | Y = Bek) = 1<4
P(Dribble = Baik | Y = Penyerang) = 3<3
P(Passing = Baik | Y = Bek) = 2<4
P(Passing = Baik | Y = Penyerang) = 2<3
P(Shooting = Kurang | Y = Bek) = 2<4
P(Shooting = Kurang | Y = Penyerang) = 1<3
P(Technique = Baik | Y = Bek) = 1<4
P(Technique = Baik | Y = Penyerang) = 2<3
P(Stamina = Kurang | Y = Bek) = 1<4
P(Stamina = Kurang | Y = Penyerang) = 2<3
Universitas Sumatera Utara
17
P(Bek) * P(Dribble | Bek) * P(Passing | Bek) * P(Shooting | Bek) * P(Technique |
Bek) * P(Stamina | Bek)
= 4<7 * 1<4 * 2<4 * 2<4 * 1<4* 1<4 = 0,0022
P(Penyerang) * P(Dribble | Penyerang) * P(Passing | Penyerang) * P(Shooting |
Penyerang) * P(Technique | Penyerang) * P(Stamina | 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 2.0/2.1 (Eclair)
4. Android version 2.2 (Frozen Yogurt/Froyo)
5. Android version 2.3 (Gingerbread)
6. Android version 3.0/3.1/3.2 (Honeycomb)
7. Android version 4.0 (Ice Cream Sandwich)
8. Android version 4.1/4.2 (Jelly Bean)
9. Android version 4.4 (Kitkat)
Universitas Sumatera Utara
18
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
19
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 masingmasing berjuang untuk memasukkan bola ke gawang kelompok lawan. Masingmasing 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
Satu tim sepak bola terdiri dari 11 orang pemain yang memiliki posisi dan tugas yang
berbeda-beda. Secara umum ada 4 posisi pemain dalam sepak bola, diantaranya:
1. Penjaga Gawang / Kiper
Bertugas menjaga daerah gawang dan mencegah bola masuk ke gawang.
2. Pemain Bertahan / Bek
Bertugas menjaga daerah pertahanan sendiri agar lawan tidak bisa membobol
gawang yang dijaga oleh penjaga gawang.
3. Pemain Tengah / Gelandang
Untuk posisi ini mempunyai tugas ganda, yaitu sebagai penyeimbang. Artinya saat
sebuah tim mengawali serangan, seorang gelandang adalah sebagai penyambung
Universitas Sumatera Utara
20
bola dari bek untuk diarahkan ke penyerang, sedangkan waktu diserang seorang
gelandang adalah orang pertama yang harus merebut bola dari kaki lawan, sebelum
bek.
4. Pemain Depan / Penyerang
Bertugas untuk mencetak gol. Untuk posisi ini, seorang pemain harus mempunyai
naluri dan penempatan posisi yang bagus. Penyerang juga harus bisa
memaksimalkan peluang sekecil apapun untuk menjadi sebuah gol. Karena dalam
permainan yang sebenarnya, seorang penyerang akan mendapat kawalan dari
pemain bertahan lawan.
Berikut merupakan gambaran dari posisi pemain sepak bola, yang dapat dilihat pada
gambar 2.4.
Gambar 2.4 Posisi Pemain Sepak Bola
2.7. Penelitian yang Relevan
Berikut ini beberapa penelitian tentang sistem pendukung keputusan yang terkait
dengan metode Naive Bayes :
a. Bustami (2013) dalam jurnal yang berjudul Penerapan Algoritma Naive Bayes
untuk Mengklasifikasi Data Nasabah Asuransi. Menyatakan algoritma Naive
Universitas Sumatera Utara
21
Bayes didukung oleh ilmu probabilistik dan ilmu statistika khususnya penggunaan
data petunjuk untuk mendukung keputusan pengklasifikasian. Pada algoritma
Naive Bayes, semua atribut akan memberikan kontribusinya dalam pengambilan
keputusan, dengan bobot atribut yang sama penting dan setiap atribut saling bebas
satu sama lain.
b. Sri Kusumadewi (2009) dalam jurnal yang berjudul Klasifikasi Status Gizi
Menggunakan Naive Bayes Classification. Menyatakan bahwa algoritma Naive
Bayes Classification dapat digunakan sebagai salah satu metode untuk klasifikasi
status gizi berdasarkan hasil pengukuran antropometri dan model sistem yang
dibangun memiliki kinerja yang baik karena hasil pengujian menunjukkan total
kinerja sebesar 0,932 atau 93,2%.
c. Hera Wasiati dan Dwi Wijayanti (2014) dalam jurnal yang berjudul Sistem
Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia
Menggunakan Metode Naive Bayes. Menyatakan bahwa dari pengujian yang
dilakukan dengan menggunakan data sebanyak 542 dengan data training sebanyak
382 dan data uji sebanyak 180, akurasi polanya sebesar 73,89% dan error 26,11%.
Universitas Sumatera Utara