Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Peningkatan Hasil Clustering Menggunakan Algortima Enhanced K-Means Dan Dynamic Cluster (Studi Kasus: Pengelompokan Metode Pelatihan Sepak Bola)
Hilzan Ardan Febrianto NIM. (2017) | Tesis | Sistem Informasi
Bagikan
Ringkasan
Untuk menentukan metode pelatihan sepak bola yang tepat bagi para pemain muda binaan disuatu sekolah sepak bola, diperlukan pengelompokkan data kemampuan pemain berdasarkan kemiripan antar titik datum, sehingga dapat ditemukan kelompok-kelompok dengan karakteristik tertentu yang dapat disesuaikan dengan metode pelatihan sepak bola yang tepat. Teknik yang dapat digunakan untuk melakukan pengelompokkan pada data kemampuan pemain adalah clustering. Clustering secara strukturnya terbagi menjadi dua yaitu hierarki dan partisi, keduanya memiliki keunggulan dan kelemahan masing-masing. Beberapa algoritma yang berusaha memperbaiki kelemahan pada algoritma clustering diantaranya adalah algoritma Enhanced K-Means yang mampu menentukan titik pusat awal terbaik dan mengelompokkan data ke dalam cluster yang tepat namun masih memerlukan penentuan dugaan jumlah cluster. Kemudian algoritma Dynamic Cluster yang dapat menduga jumlah cluster terbaik. Masing-masing algoritma memiliki keunggulan dan kelemahan yang berbeda, sehingga penelitian ini mengusulkan untuk menggabungkan algoritma Enhanced K-Means dan Dynamic Cluster (DEKM). Algoritma Enhanced KMeans bekerja untuk menentukan titik pusat terbaik sedangkan Dynamic Cluster menentukan dugaan jumlah cluster. Algoritma DEKM akan diimplementasikan pada data model untuk mengetahui karakteristik dari algoritma, kemudian diimplementasikan pada data kasus yang bertujuan untuk membuktikan algoritma yang tepat dalam menyelesaikan kasus. Dalam penilitian ini terlihat bahwa DEKM dapat meningkatkan hasil cluster pada pengukuran Davies-Bouldin Index (DBI) di jumlah data ≥ 384 dan jumlah atribut ≥ 9. Hal ini dapat dibuktikan ketika DEKM diimplementasikan pada kasus pengelompokkan metode pelatihan sepakbola yang menghasilkan cluster dengan nilai DBI terbaik.
Ringkasan Alternatif
To determine the right soccer training method for youth players in a soccer school, it is necessary to group the players abilities data on the basis of similarity between datum points, so that groups can be found with certain characteristics that can be adapted to appropriate soccer training methods. The proper technique that can be used to grouping the player ability data is clustering. Clustering divided into two technique, hierarchy and partitions that have advantages and disadvantages of each. Some algorithms are trying to fix the weaknesses in the clustering algorithm is Enhanced K-Means algorithm that is able to determine the best initial center point and classify data into the right cluster but still require guess number of the cluster. Then Dynamic Cluster algorithm can guess the best number of clusters. Each algorithm has different advantages and disadvantages. So this research attempts to combine Enhanced K-Means and Dynamic Cluster algorithms (DEKM). Enhanced K-Means algorithm work to determine the best center point while Dynamic Cluster can guess the best number of cluster. DEKM algorithm will be implemented in data model to find out characteristics of the algorithm, then implemented in data case that aims to prove the appropriate algorithm in solving the case. In this research, it can be seen that DEKM can increasing cluster on DaviesBouldin Index (DBI) in amount of data ≥ 384 and number of attributes ≥ 9. This can be proved when DEKM implemented in case of grouping soccer training method that produce clusters with the best DBI.