SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN
POSISI PEMAIN IDEAL DALAM TIM SEPAK BOLA DENGAN
METODE ALGORITMA GENETIKA
H izkia A lprianta, A nton Setiaw an H onggow ibow o, Y u lian i Indrianingsih Teknik Informatika STTA Yogyakarta
inform atika@stta.ac.id
A B STR A C T
So far, there are coaches w ho are less precise in determ ining the ideal position of the player as it only relies on instinct and the ego of the players so that there is still a coach w ho has not been able to objectively assess the players.
By utilizing the m ethod of G en etic A lgorithm as D ecision Support System (D SS) in the process of determ ining the ideal position of a player w ho uses several criteria (m ulticriteria) to choose a proper player. D SS is helping coach in m aking the right decisions and G enetic A lgorithm is used as a m odel fo r m ulticriteria w eighting in the selection process. This application w as built w ith tools Borland
D elphi (7.0) as the user interface design and m edia processing PostgreSQ L as its database.
B ased on these results w e can conclude that this application expected to assist the coaches in the decision m aking process and can change the appraisal o f w hich are subjective to m ore objective, to determ ine the ideal position fo r a player, can determ ine the best position o f each position o f a num ber o f players and the expected results o f the G en etic A lgorithm on the system constructed in accordance with the results o f m anual calculations.
K e y w o r d s : F o o t b a ll, D e c is io n S u p p o rt S y stem s, G e n etic A lg o r ith m s
1. PEN D A H U LU A N
Kualitas pem ain sangat m enentukan kekuatan suatu tim. Oleh karena itu, dibutuhkan suatu keahlian untuk memilih pem ain yang m em punyai kualitas yang sangat bagus. Akan sangat sulit bagi suatu tim untuk memilih pemain, jika tidak ada patokan yang tepat dalam memilih.
Selain itu, dibutuhkan kejelian dalam menilai kem am puan seorang pemain, sehingga layak untuk bergabung dengan tim dan dapat m engangkat prestasi tim tersebut. Tidak jarang terjadi faktor like dan dislike menjadi penentu dalam memilih pemain, bukan berdasarkan kem am puan pem ain sebenarnya. Hal tersebut terkadang m em buat pelatih atau m anajer tim salah memilih pem ain dan setelah beberapa lam a pem ain tersebut dicam pakkan begitu saja karena tidak menunjukkan perm ainan yang bagus. Hal tersebut sangat disayangkan, apalagi jika harga pem ain tersebut sangat mahal, sehinga untuk m endapatkannya mem butuhkan pengeluaran yang sangat besar, tetapi pem ain tersebut tidak menunjukkan hasil yang sebanding.
Banyak cara atau algoritm a untuk m engim plem entasikan perm asalahan tersebut menjadi suatu aplikasi yang dapat menilai dan memilih pem ain yang tepat, sehingga dapat m em bantu pelatih atau m anajer tim untuk m encari pem ain yang terbaik. Algoritm a Genetika m erupakan
Hizkia Alprianta, Anton Setiawan Honggowibowo, Yuliani Indrianingsih
suatu m etode penyelesaian m asalah yang didasarkan pada m etode heuristik. Algoritm a Genetika adalah m etode adaptif yang dapat digunakan untuk m engatasi m asalah pencarian dan optimasi. A lgoritm a Genetika didasarkan pada proses genetika yang dialami organism e dalam evolusi biologi. Kebanyakan generasi, populasi pada alam berkem bang sesuai dengan prinsip-prinsip dari seleksi alam, prinsip ini pertam a kali secara jelas dinyatakan oleh Charles Darwin dalam "The Origin o f Species". Dengan m enirukan proses ini, algoritm a genetika m am pu m engem bangkan solusi untuk m asalah-m asalah dalam dunia nyata jika m asalah tersebut dapat disandikan.
2. LA N D A SA N TEO R I
2.1 A lgoritm a G enetika
A lgoritm a Genetika adalah algoritm a yang m em anfaatkan proses seleksi alam iah yang dikenal dengan proses evolusi. Simulasi dari proses evolusi Darwin. Teknik pencarian dilakukan sekaligus atas sejumlah solusi yang m ungkin yang dikenal dengan populasi. Individu yang terdapat dalam satu populasi disebut dengan istilah krom osom . K rom osom ini m erupakan suatu solusi yang m asih berbentuk simbol. Populasi awal dibangun dengan secara acak, sedangkan populasi berikutnya m erupakan hasil evolusi krom osom -krom osom melalui iterasi yang disebut dengan istilah generasi. Pada setiap generasi, krom osom akan melalui proses evaluasi dengan m enggunakan alat ukur yang disebut dengan fungsi fitn es s. Nilai fitn ess dari suatu krom osom akan menunjukan kualitas krom osom dalam populasi tersebut. Generasi berikut dikenal dengan istilah anak (offspring) terbentuk dari gabungan dua krom osom generasi sekarang yang bertindak sebagai induk (parent) dengan menggunakan operator penyilangan (crossover). Selain operator penyilangan, suatu krom osom juga dapat dimodifikasi dengan m enggunakan operator mutasi. Generasi baru dibentuk dengan menyeleksi nilai fitn ess sehingga ukuran populasi konstan. Setelah beberapa generasi, maka algoritm a ini akan konvergen ke krom osom terbaik.
2.2 Seleksi R oda R oulette (R o u le tte W h e e l S e le c tio n )
Seleksi O rang Tua (parent) yang digunakan adalah Seleksi Roda Roulette (Roulette W heel
Selection) dimana orang tua dipilih berdasarkan fitn ess mereka. Lebih baik satu krom osom ,
lebih besar kesem patan terpilih. Probabilitas suatu individu terpilih untuk perkawinan silang sebanding dengan fitn essnya.
M etode roullette-w heel sangat m udah diimplementasikan dalam pem rogram an. Pertam a, dibuat interval nilai kumulatif (dalam interval [0,1]) dari nilai fitn ess m asing-m asing krom osom dibagi total nilai fitn ess dari sem ua krom osom . Sebuah krom osom terpilih jika bilangan random yang dibangkitkan berada pada interval nilai akumulatifnya
3. U JI CO BA
3.1 Penjelasan A plikasi
Sesuai rancangan pada gam bar 2, didapat hasil penerapan aplikasi sinkronisasi seperti pada gam bar 3 dan dapat dijelaskan sebagai berikut :
1. Setelah program ini dijalankan dan berhasil m em asukkan usernam e dan passw ord, maka
glstim F a d i n g ItEiwIiisai H a m t a n FTïJEj PflTiaii hteal F^ria Seoafc W )
H p i M i iK it iU û r ü B it t æ t iu
Gambar 3 Tampilan Menu Utama
2. Langkah selanjutnya adalah dengan m em asukkan dan m enam bah data pem ain dengan memilih input pemain.
3. Setelah disimpan akan m uncul tam pilan posisi pem ain yang paling unggul berdasarkan penilaian pelatih sebelumnya dapat dilihat pada gam bar 4.
s,m\ 27.»\ a,K»% a,»**
m ia: av r w i y h>
Gambar 4 Tampilan Posisi Pemain
4. Jika ingin m elihat data pem ain dapat m enekan tom bol lihat pemain pada m enu data. 5. Untuk proses seleksi pem ain yang paling unggul berdasarkan posisinya dapat menekan
tombol persiapan pada m enu proses, pada sub m enu persiapan dapat ditentukan posisi dan pem ain dari m asing-m asing pelatih yang akan diseleksi, dapat dilihat pada gam bar 5, setelah selesai dipilih, m aka tekan tom bol lanjutkan untuk m em proses posisi yang diinginkan, setelah itu m uncul tam pilan berdasarkan urutan dari yang paling baik sesuai posisi yang telah ditentukan sebelumnya dapat dilihat pada gam bar 6.
Hizkia Alprianta. Anton Setiawan Honggowibowo. Yuliani Indrianingsih
Gambar 6, Tampilan Hasil Pengurutan
6. Pada tam pilan tersebut terdapat tom bol detail proses yang berguna untuk melihat proses seleksi yang terjadi ketika m enggunakan algoritm a genetika, dapat dilihat pada gam bar 7.
Gambar 7, Detail Proses
7. Jika ingin m encetak hasil dari proses seleksi dapat m enekan tombol cetak, dapat dilihat pada gam bar 8.
j B j i s . i i ' u > i k . a > g
13 Laporan Hasil Perhitungan
Penentuan Pemain Sepak Bola Dengan Metode Algoritm a Genetika
V«.» I"»«'*» V»TJ ¡V*M SM Ul« lrx» »»*«*«»»*»> £ S 11 ] S 55 m a s f f l ! s l & 8 B ■
Gambar 8, Tampilan Laporan Hasil Seleksi
3.2 Perhitungan Skor
Setiap gen m erepresentasikan pemain, dim ana setiap pem ain m em punyai Skor yang m erupakan jumlah total setiap kriteria dikalikan dengan bobot dari setiap kriteria. Jika dituliskan dalam m odel m atem atis, yaitu sebagai berikut:
SKOR = 2(W|*K ¡) Dimana:
Wi = bobot kriteria ke-i Ki = Kriteria ke-i
Setelah ditemukan hasil skor posisi sesuai kriterianya m aka dibagi dengan jumlah bobotnya, agar hasil yang didapat objektif. Jika dituliskan dalam m odel m atem atis, yaitu sebagai berikut:
2 SKOR
Skor Posisi =
——---£ w Dimana:
SKOR = jumlah hasil dari bobot kriteria ke-i dikali Kriteria ke-i
w = jumlah bobot sesuai kriteria posisi
Fungsi fitn ess yang digunakan untuk m engevaluasi setiap krom osom adalah rata-rata dari jum lah total Skor sem ua kandidat pem ain dikalikan dengan bobotnya. Jika dituliskan dalam m odel m atem atis, yaitu sebagai berikut:
n *
S K O R n
+ (n - 1) *
S K O R 1
+ - +
SK OR
F i t n e e s =
---n
Dimana:
S K O R n = Skor pem ain pada gen ke-0
S K O R 1 = Skor pem ain pada gen ke-1
S K O R n _ i = Skor pem ain pada gen terakhir
n = Jumlah Gen
Nilai n, (n-1), sam pai dengan 1 berfungsi untuk m enentukan urutan dari pemain terbaik, yaitu pada gen pertam a sam pai pem ain terjelek, yaitu pada gen terakhir. Nilai fitn ess akan menunjukkan hasil yang m aksim um jika gen-gen dari pertam a sam pai terakhir m em uat pem ain dengan Skor terurut dari terbesar sam pai yang terkecil.
4. A nalisa H asil U ji Coba
Pada pengujian ini akan dilakukan dua jenis pengujian, yaitu pengujian untuk m engam ati hubungan antara m asing-m asing param eter algoritm a genetika terhadap Waktu proses dan pengujian untuk m endapatkan fitn ess terbaik.
P engujian I
Pada pengujian I akan diam ati pengaruh param eter ukuran populasi dengan w aktu proses. Pada pengujian I ini nilai param eter jumlah m aksim um generasi, probabilitas crossover, probabilitas m utasi dan probabilitas elitism akan diset tetap, sedangkan nilai param eter ukuran populasi akan diset bervariasi m ulai dari 10 sam pai 50.
Tabel 1. Nilai Parameter Tetap pada Pengujian I
Param eter N ilai Param eter
Jum lah Kandidat 3
M aksim um Generasi 70
Probabilitas Crossover 0,8
Probabilitas Elistism 0,1
Hizkia Alprianta, Anton Setiawan Honggowibowo, Yuliani Indrianingsih
Tabel 4.2. Hasil Pengujian I Ukuran Populasi K rom osom Terbaik Fitness W aktu (mili detik) 5 2 1 3 3199 64 10 2 3 1 3201 70 15 2 1 3 3199 77 20 2 3 1 3201 90 25 2 3 1 3201 100 30 2 3 1 3201 101 35 2 3 1 3201 104 40 2 3 1 3201 107 45 2 3 1 3201 110 50 2 3 1 3201 124
Dari tabel 2. dapat disimpulkan bahw a perubahan ukuran populasi m em pengaruhi w aktu proses algoritm a genetika yang dilakukan. Pada kolom w aktu (mili detik) terlihat bahw a semakin besar nilai ukuran populasi, m aka w aktu yang dibutuhkan untuk melakukan proses algoritm a genetika juga semakin besar.
Pengujian II
Pada pengujian II akan diam ati pengaruh param eter jum lah m aksim um generasi dengan w aktu proses. Pada pengujian II ini nilai param eter ukuran populasi, probabilitas crossover, probabilitas m utasi dan probabilitas elitism akan diset tetap, sedangkan nilai param eter m aksim um generasi akan diset bervariasi mulai dari 10 sam pai 100. Berikut ini disajikan tabel nilai param eter yang diset tetap yang digunakan pada pengujian II.
Tabel 3 Nilai Parameter Tetap pada Pengujian II
Param eter N ilai Param eter
Jum lah Kandidat 3
Ukuran Populasi 10
Probabilitas Crossover 0,8
Probabilitas M utasi 0,2
Probabilitas Elistism 0,1
Tabel 4. Hasil Pengujian II M aksim um generasi K rom osom Terbaik Fitness W aktu (mili detik) 10 2 3 1 3201 70 20 2 3 1 3201 110 30 2 3 1 3201 116 40 2 3 1 3201 118
50 2 3 1 3201 120 60 2 3 1 3201 121 70 2 3 1 3201 125 80 2 3 1 3201 128 90 2 3 1 3201 130 100 2 3 1 3201 131
Dari tabel 4. dapat disimpulkan bahw a perubahan jumlah m aksim um generasi akan m em pengaruhi w aktu proses algoritm a genetika yang dilakukan. Pada kolom w aktu (detik) terlihat bahw a semakin besar jumlah m aksim um generasi, m aka w aktu yang dibutuhkan untuk melakukan proses algoritm a genetika juga semakin besar.
Pengujian III
Pada pengujian III akan diam ati pengaruh param eter probabilitas crossover dengan w aktu proses. Pada pengujian III ini nilai param eter ukuran populasi, jumlah m aksim um generasi, probabilitas m utasi dan probabilitas elitism akan diset tetap, sedangkan nilai param eter probabilitas crossover akan diset bervariasi mulai dari 0 sam pai 1. Berikut ini disajikan tabel nilai param eter yang diset tetap yang digunakan pada pengujian III.
Tabel 4.5. Nilai Parameter Tetap pada Pengujian III Nilai
Param eter Param eter
Jum lah Kandidat 3
Ukuran Populasi 10
M aksim um Generasi 70
Probabilitas Mutasi 0,2
Probabilitas Elistism 0,1
Tabel 6. Hasil Pengujian III Probabilitas Crossover Krom osom Terbaik Fitness W aktu (mili detik) 0,1 2 3 1 3201 90 0,2 2 3 1 3201 110 0,3 2 3 1 3201 111 0,4 2 3 1 3201 118 0,5 2 3 1 3201 122 0,6 2 3 1 3201 203 0,7 2 3 1 3201 205 0,8 2 3 1 3201 208 0,9 2 3 1 3201 210
Dari tabel 6. dapat disimpulkan bahw a perubahan probabilitas crossover m em pengaruhi w aktu proses algoritm a genetika yang dilakukan. Pada kolom w aktu (detik) terlihat bahwa
Hizkia Alprianta, Anton SEtiawan Honggowibowo, Yuliani Indrianingsih
semakin besar probabilitas crossover, m aka w aktu yang dibutuhkan untuk melakukan proses algoritm a genetika juga semakin meningkat.
Pengujian IV
Pada pengujian IV akan diam ati pengaruh param eter probabilitas m utasi dengan waktu proses. Pada pengujian IV ini nilai param eter ukuran populasi, jumlah m aksim um generasi, probabilitas crossover dan probabilitas elitism akan diset tetap, sedangkan nilai param eter probabilitas m utasi akan diset bervariasi mulai dari 0 sam pai 1. Tabel 7 disajikan nilai param eter yang diset tetap yang digunakan pada pengujian IV.
Tabel 7. Nilai Parameter Tetap pada Pengujian IV
Param eter N ilai Param eter
Jum lah Kandidat 3
Ukuran Populasi 10
M aksim um Generasi 70
Probabilitas Crossover 0,8
Probabilitas Elistism 0,1
Tabel 8. Hasil Pengujian IV Probabilitas M utasi Krom osom Terbaik Fitness W aktu (mili detik) 0,1 2 3 1 3201 66 0,2 2 3 1 3201 110 0,3 2 3 1 3201 113 0,4 2 3 1 3201 118 0,5 2 3 1 3201 122 0,6 2 3 1 3201 200 0,7 2 3 1 3201 201 0,8 2 3 1 3201 206 0,9 2 3 1 3201 221
Dari tabel 8. dapat disimpulkan bahw a perubahan probabilitas m utasi m em pengaruhi w aktu proses algoritm a genetika yang dilakukan sam a seperti pada perubahan probabilitas crossover. Pada kolom w aktu (detik) terlihat bahw a semakin besar probabilitas m utasi, maka waktu yang dibutuhkan untuk m elakukan proses algoritm a genetika juga semakin meningkat.
Pengujian V
Pada pengujian V akan diam ati pengaruh param eter probabilitas elitism dengan waktu proses. Pada pengujian V ini nilai param eter ukuran populasi, jumlah m aksim um generasi, probabilitas crossover dan probabilitas m utasi akan diset tetap, sedangkan nilai param eter probabilitas elitism akan diset bervariasi mulai dari 0 sam pai 1. Berikut ini disajikan tabel nilai param eter yang diset tetap yang digunakan pada pengujian V.
Tabel 9. Nilai Parameter Tetap pada Pengujian V
Param eter N ilai Param eter
Jum lah Kandidat 3
Ukuran Populasi 10
M aksim um Generasi 70
Probabilitas Crossover 0,8
Probabilitas M utasi 0,2
Tabel 10. Hasil Pengujian V Probabilitas Elistism Krom osom Terbaik Fitness W aktu (mili detik) 0,1 2 3 1 3201 90 0,2 2 3 1 3201 110 0,3 2 3 1 3201 111 0,4 2 3 1 3201 118 0,5 2 3 1 3201 122 0,6 2 3 1 3201 203 0,7 2 3 1 3201 205 0,8 2 3 1 3201 208 0,9 2 3 1 3201 220
Dari tabel 10. dapat disimpulkan bahw a perubahan probabilitas elitism m em pengaruhi w aktu proses algoritm a genetika yang dilakukan, sam a seperti pada perubahan probabilitas crossover dan pada perubahan probabilitas mutasi. Pada kolom w aktu (detik) terlihat bahwa semakin besar probabilitas elitism, m aka w aktu yang dibutuhkan untuk m elakukan proses algoritm a genetika juga semakin meningkat.
Pengujian V I
Setelah dilakukan pengujian I, II, III, IV dan V untuk m engetahui hubungan antara m asing-m asing param eter algoritm a genetika terhadap w aktu proses, selanjutnya akan dilakukan pengujian VI untuk m engetahui fitn ess optim al dengan nilai param eter yang tetap. Akan dilakukan beberapa proses untuk m endapatkan nilai fitn ess optimal.
Tabel 11. Parameter pada Pengujian VI
Param eter N ilai Param eter
Jum lah Kandidat 3
Ukuran Populasi 20
M aksim um Generasi 70
Probabilitas Crossover 0,8
Hizkia Alprianta, Anton SEtiawan Honggowibowo, Yuliani Indrianingsih
Probabilitas Elistism 0,1
Hasil dari pengujian VI disajikan dalam tabel 12. sebagai berikut: Tabel 12. Hasil Pengujian VI
Proses ke K rom osom
Terbaik Fitness W aktu (mili detik) 1 2 1 3 3199 64 2 2 3 1 3201 70 3 2 1 3 3199 77 4 2 3 1 3201 90 5 2 3 1 3201 100 6 2 3 1 3201 101 7 2 3 1 3201 104 8 2 3 1 3201 107 9 2 3 1 3201 110 10 2 3 1 3201 124
Dari tabel 12. didapat fitn ess terbesar adalah 3201 yang dimiliki 2 krom osom yaitu krom osom 2 3 1. Frekuensi kem unculan fitn ess pada pengujian VI terlihat seperti pada tabel 13.
Tabel 13. Frekuensi Kemunculan Fitness pada Pengujian VI
Fitness Krom osom
Frekuensi Kemunculan
Fitness
3201 2 3 1 8
3199 2 1 3 2
Sehingga dapat disimpulkan bahw a fitn ess optimal yang dicapai oleh algoritm a genetika adalah 231 dengan urutan pem ain seperti tam pak pada tabel 14 sam a dengan hasil pengujian
pada sistem m enggunakan m etode algoritm a genetika pada gam bar 8 yang sebelumnya telah dijelaskan pada gam bar 6.
Tabel 14. Urutan Pemain Sesuai dengan Fitness Optimal
U rutan Pem ain
1 Anta
2 Ian
3 Vino
Gambar 8 Perhitungan Hasil Pengurutan Pemain
5. K esim pulan
Setelah m elakukan analisis, perancangan, im plementasi beserta pengujian, m aka dapat diperoleh kesimpulan sebagai berikut:
1. Sistem yang dibangun m am pu m em bantu seorang pelatih m erubah cara penilaiannya
dalam menyeleksi pemain, agar dapat menilai dari yang bersifat subjektif menjadi lebih objektif lagi.
2. Sistem yang dibangun dapat menentukan posisi yang ideal untuk seorang pemain, dapat
menentukan posisi terbaik dari m asing-m asing posisi dari sejumlah pemain.
3. Hasil dari A lgoritm a Genetika pada sistem yang dibangun sesuai dengan hasil
perhitungan manual.
Selain kesimpulan, penelitian ini juga memiliki saran yang dapat digunakan untuk pengem bangan dan penelitian selanjutnya yang terkait dengan penelitian ini. Saran tersebut antara lain:
1. Diharapkan keberadaanya bisa lebih user frien d ly dan lebih berm anfaat bagi kemajuan
sepak bola.
2. Hasil yang diperoleh tidak bisa dihitung dalam m atem atika pada pengujian
Hizkia Alprianta, Anton Setiawan Honggowibowo, Yuliani Indrianingsih
6. R eferensi
[1] Daihani, D.U., Kom puterisasi Pengambilan Keputusan, Jakarta, PT Gram edia, 2001. [2] Davis, L., Handbook of Genetic Algoritm s, New York, Van N ostrand Reinhold, 1991. [3] Gen, M., Cheng, R., Genetic Algorithm s and Engineering optimization, Japan, Ashikaga
Institute of Technology, 1999.
[4] Jogiyanto, Analisis Dan Desain, Yogyakarta, Andi, 2005.
[5] K usum adew i S., Purnom o H., Penyelesaian M asalah Optimasi dengan Teknik-teknik Heuristik, Yogyakarta, Graha Ilmu, 2005.
[6] (26 April 2012) Prayogo, M, Sistem Pendukung Keputusan Untuk M enentukan Penerima Beasiswa M enggunakan A lgoritm a Genetika Dengan M etode Fuzzy Logic Sebagai Inisialisasi A w al (Studi Kasus: M ahasiswa Fakultas Pendidikan M atematika dan Ilmu Pengetahuan A lam Universitas Pendidikan Indonesia),[Online],
h ttp ://jo u rn a l.u p i.a c .id /in d e x .p h p /S n a ti/a rtic le /v ie w F ile /1 0 7 3 /9 9 8 /
[7] Suryadi K., Ram dhani M.A., Sistem Pendukung Keputusan, Bandung, PT Remaja Rosdakarya, 2002.
[8] Suyanto, A lgoritm a Genetika dalam Matlab, Yogyakarta, Andi, 2010.
[9] (3 Juni 2012) Syamsudien, Aries, Pengenalan A lgoritm a Genetik. [Online].Tersedia: h tt p :// ilm u k om p u ter.org/2 0 0 6 / 0 8 / 2 5 / pengenalan-algoritm a-genetik/
[10] Turban, D ecision Support System and Intelligent System (Sistem Pendukung Keputusan dan Sistem Cerdas), Yogyakarta: Andi, , 2005