KLASIFIKASI GAMBAR GERAK PEMAIN BOLA VOLI DENGAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)

(1)

KLASIFIKASI GAMBAR GERAK PEMAIN BOLA VOLI

DENGAN MENGGUNAKAN METODE K-NEAREST

NEIGHBOR (K-NN)

Edis Siswanto Karo Karo,Dr. Pulung Nurtantio Andono, S.T.,M.KOM Program Studi Teknik Informatika, Fakultas Ilmu Komputer

Universitas Dian Nuswantoro Jl. Nakula I No. 5-11 Semarang 50131 Telp : (024) 3517261, Fax : (024) 3520165 E-mail : edimale7@gmail.com,pulung@research.dinus.ac.id

Abstrak

Algoritma K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma supervised, dimana hasil sampel uji yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada KNN.Tugas Akhir ini bertujuan mengimplementasikan K-Nearest Neighbor untuk klasifikasi gambar gerakan pemain bola volli kedalam tiga gerakan dasar yakni smash, service dan blok. K-Nearest Neighbor digunakan untuk mengklasifikasikan gambar gerakan bola volli karena ketangguhannya terhadap data yang memiliki banyak noise serta efektif terhadap data yang berukuran sangat besar.Berdasarkan hasil penelitian data terklasifikasi dalam 5 cluster yakni k3, k5, k7, k9 dan k10 diketahui bahwa klastering dengan nilai k3 memiliki hasil akurasi tertinggi sebesar 66,87%.Tingkat akurasi pengujian model gambar gerakan pemain bola voli dengan menggunakan algoritma K-Nearest Neighbor (KNN) dipengaruhi oleh jumlah klastering data.

Kata Kunci : Klasifikasi, gerakan pemain bola voli, smash, service, blok, k-nearest neighbo

Abstract

Algorithm K-Nearest Neighbor (KNN) is a method using supervised algorithms, where the results of the new test samples were classified by the majority of categories on KNN. This final project aims to implement the K-Nearest Neighbor classification motion picture volli ball players into three basic movements that smash, service and block. K-Nearest Neighbor used to classify images volli ball movement because of toughness to the data that has a lot of noise and is effective against very large data. Based on the research data is classified into 5 clusters namely k3, k5, k7, K9 and K10 is known that clustering with a value of k3 have the results of highest accuracy to 66.87%.The level of accuracy of model testing motion picture volleyball players algorithms using K-Nearest Neighbor (KNN) is influenced by the amount of data clustering.

Keywords : Classification, volleyball player movement, smash, service, block, k-nearest neighbor

▸ Baca selengkapnya: gambar masoppo bola

(2)

1. PENDAHULUAN

Klasifikasi merupakan pengelompokan secara sistematis pada suatu objek atau benda ke dalam golongan atau pola-pola tertentu berdasarkan kesamaan ciri. Masalah klasifikasi sering dijumpai dalam kehidupan sehari-hari, baik pada bidang industri, sosial, kesehatan maupun pendidikan. Penyelesaian masalah klasifikasi dapat dilakukan dengan metode klasifikasi.

Metode klasifikasi dibedakan menjadi dua yaitu metode klasifikasi parametrik dan nonparametrik. K-Nearest Neinghbor (KNN) adalah salah satu metode klasifikasi nonparametrik. Dalam prosesnya, KNN memeriksa semua kata dalam dokumen pelatihan untuk menghitung kesamaannya dengan dokumen yang akan diklasifikasikan (dokumen uji).

Dalam penelitian ini metode yang digunakan adalah K-Nearest

Neighbor (K-NN) yang merupakan

metode untuk melakukan klasifikasi terhadap objek berdasarkan data latih yang menggunakan jarak terdekat atau kemiripan terhadap objek

tersebut. Pada fase pembelajaran, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur yang di klasifikasi dari data pembelajaran. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk data test (yang klasifikasinya tidak diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor data pembelajaran dihitung, dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut [1]

KNN memiliki beberapa kelebihan yaitu ketangguhan terhadap training data yang memiliki banyak noise dan efektif apabila

training data-nya besar. Sedangkan,

kelemahan KNN dan KNN perlu menentukan nilai dari parameter k (jumlah dari tetangga terdekat),

training berdasarkan jarak tidak jelas

mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil terbaik, dan biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap query

(3)

sample. Namun demikian peneliti

menggunakan algoritma KNN karena memiliki konsistensi yang kuat. Ketika jumlah data mendekati tak hingga, algoritma KNN menjamin

error rate yang minim[2].

Beberapa penelitian menggunakan metode KNN sudah banyak dilakukan, antara lain penelitian Abdul Rohman yang berjudul “Model Algoritma K-Nearest Neighbor (K-NN) untuk Prediksi Kelulusan Mahasiswa”. Dalam penelitian tersebut memprediksi kelulusan mahasiswa dengan menggunakan algoritma klasifikasi data mining K-Nearest Neighbor dengan mengklaster data k=1, k=2, k=3, k=4 dan k=5. Hasil yang diperoleh dengan cluster data k=5 accuracy adalah 85,15% dan nilai AUC adalah 0,888 merupakan akurasi paling tinggi. Dengan demikian, dapat disimpulkan bahwa tingkat akurasi pengujian model kelulusan mahasiswa dengan menggunakan algoritma K-Nearest Neighbor (KNN) dipengaruhi oleh jumlah klastering data.

Penelitian serupa dilakukan oleh Nobertus Krisandi. Dkk dengan

judul “Algoritma K-Nearest Neighbor dalam Klasifikasi Data Hasil Produksi Kelapa Sawit pada PT. Minamas Kecamatan Parindu”. Data yang digunakan adalah data hasil produksi kelapa sawit (Tonase) dari 50 kelompok tani pada periode Juli-Desember 2011 pada PT. Minasa Kabupaten Sanggau. Nilai k yang digunakan adalah k=1, k=3, k=5 dan k=7. Hasil penelitian menunjukkan bahwa, hasil produksi yang dominan adalah dengan nilai k=7 sebesar yang memiliki nilai accuracy sebesar 34%. Hal tersebut juga mengindikasikan bahwa K-Nearest Neighbor (KNN) dipengaruhi oleh jumlah klastering data.

Penelitian ini bertujuan untuk mengklasifikasikan gerakan pemain bola voli berdasarkan tiga gerakan dasar, yakni smash, blocking dan service dengan menggunakan metode KNN berdasarkan tiga faktor gerakan, yakni gerakan tangan, kaki dan gerakan badan.

(4)

2. LANDASAN TEORI a. Pengertian Klasifikasi

Klasifikasi adalah proses pencarian sekumpulan model yang menggambarkan dan membedakan kelas data dengan tujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu obyek yang belum diketahui kelasnya.

b. Tujuan Klasifikasi

1) Menemukan model dari training set yang membedakan record ke dalam kategori atau kelas yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan record yang kelasnya belum diketahui sebelumnya pada testing set

2) Mengambil keputusan dengan memprediksi suatu kasus, berdasarkan hasil klasifikasi yang diperoleh.

c. K-Nearest Neighbor

KNN adalah sebuah metode klasifikasi terhadap sekumpulan data berdasarkan pembelajaran data yang sudah terklasifikasi sebelumnya. KKN termasuk

dalam golongan supervised learning, dimana hasil query

instance yang baru

diklasifikasikan berdasarkan mayoritas kedekatan jarak dari kategori yang ada dalam KNN. Nantinya kelas yang baru dari suatu data akan dipilih berdasarkan grop kelas yang paling dekat jarak vektornya.

Tujuan dari algoritma ini adalah mengklasifikasikan objek baru berdasarkan atribut dan

training sample. Classifer tidak

menggunakan model apapaun untuk dicocokkan dan hanya berdasarkan pada memori. Diberikan titik query, akan ditemukan sejumlah k objek atau (titik trainning) yang paing dekat dengan titik query.

mengklasifikasi menggunkan

voting terbanyak diantara klasifikasi dari k objek. Algoritma

k-nearest neighbor (KNN) menggunakan klasifikasi ketetanggaan sebagai nilai prdeiksi dari query instance yang baru.

(5)

d. Rapidminer

Rapid miner merupakan sebuah lingkungan untuk machine learning, data mining, text mining dan predictive analytics. Rapid miner menyediakan prosedur data mining dan machine learning termasuk: ETL (Extraction,

transformation dan loading), data

preprocessing, visualisasi, modelling dan evaluasi.

3. Kerangka Pemikiran

Gambar 1 Kerangka Pemikiran

IIII. METODE PENELITIAN Desain Penelitian

Data yang digunakan dalam penelitian ini .adalah data gambar gerakan pemain bola voli yang diambil dari beberapa sumber. Data tersebut akan dioah menggunakan metode K-Nearest Neighbor dengan tahapan sebagai berikut:

Gambar 2 Tahapan Penelitian

Penggunaan Rapidminer

Klasifikasi dalam penelitian ini menggunakan aplikasi Rapidminer 5 dengan operator sebagai berikut:

(6)

IV. HASIL DAN PEMBAHASAN Eksperimen dalam penelitian ini menggunakan metode KNN dengan pengujian k-fold cross validation dengan tampilan sebagai berikut:

Gambar 4 Data dalam Rapidminer

Data Rapidminer diatas merupakan hasilimport data dari excel yang kemudian diproses menggunakan KNN dalam Rapidminer sebagai berikut:

Gambar 5 Pemodelan KNN pada Rapidminer

Hasil klasifikasi KNN adalah sebagai berikut:

Gambar 6 Model klasifikasi KNN

Pengujian model dalam KNN menggunakan confusion matrik (k3, k5, k7, k9 dan k10) dan Plot View Confusion Matrik 10-Fold Cross

Validation dengan hasil sebagai

berikut:

a. Tingkat akurasi KNN dengan k=3

Gambar 7 Tingkat akurasi KNN k=3

(7)

b. Tingkat akurasi KNN dengan k=5

c. Tingkat akurasi KNN dengan k=7

d. Tingkat akurasi KNN dengan k=9

e. Tingkat akurasi KNN dengan k=10

Plot view

Hasil perhitungan diatas dapat disimpulkan pada tabel berikut:

Tabel 4.2: Perbandingan jumlah cluster dan akurasi Cluster Akurasi K3 67% K5 65% K7 65% K9 64% K10 64%

(8)

V. KESIMPULAN DAN SARAN A. Kesimpulan

Dalam penelitian ini dilakukan pengujian model dengan menggunakan algoritma K-Nearest

Neighbor (K-NN) dengan menggunakan data gerakan pemain bola voli dengan tiga kategori, yakni block, service dan smash. Model yang dihasilkan diuji untuk mendapatkan nilai accuracy dan

AUC dari algoritma klasifikasi data

mining sehingga didapat pengujian data gerakan dengan klatering data

k=3 dengan menggunakan K-Nearest Neighbor (K-NN) didapat nilai

accuracy adalah 66,87%, dengan

cluster data k=5 accuracy adalah 65%, dengan cluster data k=7

accuracy adalah 64,90%, dengan

cluster data k=9 accuracy adalah 63,97% dan dengan cluster data

k=10 accuracy adalah 64%.

Maka dengan demikian dapat disimpulkan bahwa tingkat akurasi pengujian model gambar gerakan pemain bola voli dengan menggunakan algoritma K-Nearest

Neighbor (K-NN) dipengaruhi oleh

jumlah klastering data. Semakin banyak klastering data maka nilai

akurasi semakin rendah dan sebaliknya semakin sedikit k klastering maka nilai akurasi semakin tinggi. Akurasi dan nilai paling tinggi adalah dengan mengklaster data k=3 sebesar 66,87% dengan tingkat akurasi poor

classification.

B. Saran

Dari hasil pengujian yang telah dilakukan dan hasil kesimpulan yang diberikan maka peneliti memberikan beberapa saran bahwa untuk penelitian selanjutnya dapat menggunakan algoritma lainseperti ID3, CHAID dan Learning Discriminant Analysis (LDA)

atau dengan mengkomparasinya sehingga diketahui akurasi yang tertinggi.

DAFTAR PUSTAKA

[1] Laina, Farsiah., Tufik, Fuadi Abidin., Khairul, Munadi. 2010. Klasifikasi Gambar Berwarna meggunakan K-Nearest Neihbor dan Support Vector Machine. Universitas Sriwijaya : Jurnal Publikasi Fakultas Ilmu Komputer.

(9)

[2] Ahmadi, Nuril. 2007. Panduan Olah Raga Bola Voli. Solo : Era Pustaka Utama.

[3] Beutelstahl, Dieter. 2008. Belajar Bermain Bola Volley. Jakarta : PT. Poinir Jaya

[4] Yafis, Sukma Kurniawan., Dr.Ir. Bambang, Hidayat., DEA., Suci, Aulia ST., MT. 2009. Deteksi dan Klasifikasi Tingkat Keparahan Retinopati Diabetes dengan menggunakan Metode Klasifikasi K-Nearest Neighbor. Jurnal Informatika, Vol. 5., No.2.

[5] Ikram, Baharsyah., Imam, Cholissodin., S.Si, M.Kom dan Budi, Darma Setiawan, S.Kom,Mg. 2009. Klasifikasi Deep Sentiment Analysis E-Complaint Universitas Brawijaya menggunakan Metode K-Nearest Neihbor. Universitas Brawijaya : Jurnal Publikasi Fakultas Ilmu Komputer.

[6] Dennis, dkk. 2013. Belajar Data Mining dengan Rapid Minner. Jakarta : Graha Ilmu.