Perbandingan Simple Logistic Classifier dengan Support Vector Machine dalam Memprediksi Kemenangan Atlet

Abstract

Abstrak-Prediksi kemenangan atlet adalah hal yang harus dilakukan oleh pelatih ketika memutuskan pemain yang akan diturunkan dalam suatu pertandingan. Banyaknya faktor-faktor yang mempengaruhi kemenangan atlet membuat keputusan tersebut tidak mudah untuk ditentukan. Dalam penelitian ini akan dilakukan perbandingan dari penggunaan metode Simple Logistic Classifier (SLC) dengan Support Vector Machine (SVM) dalam memprediksi kemenangan atlet berdasarkan data kesehatan dan data latihan fisik. Data yang digunakan diambil dari 28 cabang olahraga perorangan. Rata-rata akurasi SLC dan SVM masingmasing diperoleh sebesar 80% dan 88%, sedangkan rata-rata kecepatan pemrosesan metode SLC dan SVM adalah 1,6 detik dan 0,2 detik. Hal ini menunjukkan bahwa penggunaan metode SVM lebih unggul daripada SLC, baik dari segi kecepatan maupun dari nilai akurasi yang dihasilkan. Selain pengujian akurasi, dilakukan pula pengujian terhadap 24 fitur yang digunakan dalam proses klasifikasi. Hasilnya diketahui bahwa pengurangan fitur melalui tahap seleksi mengakibatkan penurunan nilai akurasi. Berdasarkan hal tersebut disimpulkan bahwa semua fitur yang digunakan dalam penelitian ini adalah fitur yang berpengaruh dalam penentuan prediksi kemenangan atlet. Kata Kunci-Prediksi, Simple Logistic Classifier, Sports Data Mining, Support Vector MachineAbstract-A coach must be able to select which athlete has a good prospect of winning a game. There are a lot of aspects which influence the athlete in winning a game, so it's not easy by coach to decide it.This research would compare Simple Logistic Classifier (SLC) and Support Vector Machine (SVM) usage applied to predict winning game of athlete based on health and physical condition record. The data get from 28 sports. The accuracy of SLC and SVM are 80% and 88% meanwhile processing times of SLC and SVM method are 1.6 seconds dan 0.2 seconds.The result shows the SVM usage superior to the SLC both of speed process and the value of accuracy. There were also testing of 24 features used in the classifications process. Based on the test, features selection process can cause decreasing the accuracy value. This result concludes that all features used in this research influence the determination of a victory athletes prediction.

Analisis Sentimen Pada Maskapai Penerbangan di Platform Twitter Menggunakan Algoritma Support Vector Machine (SVM)

“…Dalam melakukan analisis sentimen, terdapat beberapa algoritma yang dapat dimanfaatkan, salah satu diantaranya Support Vector Machine (SVM). Algoritma Support Vector Machine (SVM) merupakan algoritma yang telah digunakan dalam banyak bidang penelitian seperti face detection, bioinformatika, dan text mining [4]. Selain itu, algoritma ini juga memiliki tingkat accuracy yang lebih baik dalam proses klasifikasi teks daripada algoritma lainnya seperti K-Nearest Neighbors (KNN), C4.5 dan Naïve Bayes [5].…”

Prediksi Klasemen Akhir English Premier League Untuk Keputusan Penanaman Modal Dengan Metode Distribusi Poisson

“…Daya tarik ini sebagian besar karena sifat olahraga yang tidak dapat diprediksi (Butler et al, 2021). Melakukan prediksi hasil akhir terhadap sebuah pertandingan olahraga sudah banyak dilakukan orang-orang seperti prediksi liga Indonesia (Mutaqin & Adri, 2019), prediksi kemenangan atlet (Rainarli & Romadhan, 2017).…”

Penerapan Klasifikasi Bayes Untuk Memprediksi Jenis Latihan Siswa Pencak Silat (Studi Kasus Pencak Silat PSHT)

“…Penelitian membandingkan metode Simple Logistic Classifier dengan Support Vector Machine dalam memprediksi kemenangan atlet berdasarkan data kesehatan dan kondisi fisik atlit [5]. Hasil menunjukkan bahwa penggunaan metode SVM lebih unggul daripada SLC, baik dari segi kecepatan maupun dari nilai akurasi yang dihasilkan.…”