Studi Klasifikasi Ketrampilan Permainan Tenis Iapangan Dengan Pendekatan Metode Diskriminan, Kernel Dan Artificial Neural Network

Rakhmawati, Ratna Puspitasari (2002) Studi Klasifikasi Ketrampilan Permainan Tenis Iapangan Dengan Pendekatan Metode Diskriminan, Kernel Dan Artificial Neural Network. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 1398100015-Undergraduate-Thesis.pdf]
Preview
Text
1398100015-Undergraduate-Thesis.pdf - Published Version

Download (9MB) | Preview

Abstract

Selama mi banyak penelitian tentang tampilan data olahraga baik eli media
massa maupun d1 televisi yang hanya berupa tampilan saja dan tidak dianalisis lebih
lanjut untuk menJadi suatu kcburuhan analisis lanjutan kbususnya dalam bidang
statistik Contohnya d1 b1dang olah raga tenis lapangan, dilakukan suatu penelitian
mengenai pengclompokan atau klasifikasi ketrampilan olah raga tenis lapangan yang
didasarkan pada beberapa variabel bebas. Metode yang sering digunakan untuk
masalah klasifikas1 terscbut pada penclitian-penelitian sebelumnya adalah nmetode
Diskrimman Linear yang dikcmbangkan R.A. F1sher. Dan pada kenyataannya,
pcnelit•an-penclitian yang dilakukan oleh para peneliti tidak selamanya memenuh1
asumsi-asumsi yang telah ditentukan. Untuk itu, melalui penelitian ini terdapat
metode alternatif pemecahan lamnya mcngenai masalah klasifikasi yang tidak
memerlukan persyaratan yallu dengan metode Kernel dan Arliflcwl Neural Network
(ANN).
Dari hasll analisis deskriptif data (lampiran 3) terlihat bahwa hampir semua
variabel pada kelompok baik mcmberikan nilai rata-rata yang lebib tinggi daripada
kelompok sedang, kecuali pada variabel kccepatan lari (X9), reaksi Iangan (X I 0) dan
kelincahan (XJ 1 ). lni berarti bahwa pada variabel X9, X I 0 dan Xll, semakin kccil
nilai rata-rata justru masuk dalam kelompok ketrampilan olah raga tenis lapangan
yang baik. Dan dari analisis untuk data training dan data testing, untuk analisis data
training menunjukkan bahwa "etepatan klasifikasi untuk metode Diskriminan sebesar
100%, untuk pengelompokan mctode Kernel scbesar 98.39% dan untuk arsitektur
opumal MLP(6, 1.2) pada ANN sebesar 100%. Dari basil analisis data testing
menunjukkan bahwa kctepatan klasifikasi pada metode Diskriminan sebesar 100%,
metode Kernel sebesar 80°'0 dan metode ANN sebesar 95%. Hal ini dibuktikan
dengan uji kestabilan model pada data testing yang menunjukkan bahwa nilai Press's
Q dari metode Diskriminan lebih besar daripada metode yang lain yaitu pada metode
D1sluimman mlai Press's Q sebesar 20, metode Kernel sebesar 7.2 dan metode ANN
sebesar 16.2. Sehingga dapat disimpulkan bahwa metode Diskriminan pada kasus 101
merupakan mctode yang leb•h baik digunakan daripada metode Kernel dan ANN.

Item Type: Thesis (Undergraduate)
Additional Information: RSSt 519.535 Rak s
Subjects: Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions: Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User: Users 13 not found.
Date Deposited: 23 Oct 2017 07:48
Last Modified: 23 Oct 2017 07:48
URI: http://repository.its.ac.id/id/eprint/49022

Actions (login required)

View Item View Item