首页> 外文OA文献 >ANALISIS ALGORITMA K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI AKTIVITAS PERMAINAN SEPAK BOLA
【2h】

ANALISIS ALGORITMA K-NEAREST NEIGHBOUR BERDASARKAN GRAY LEVEL CO-OCCURRENCE MATRIX UNTUK KLASIFIKASI AKTIVITAS PERMAINAN SEPAK BOLA

机译:基于灰色共生矩阵的足球近邻活动K-近邻算法分析

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务,本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文,但由于OA文献来源多样且变更频繁,仍可能出现获取不到、文献不完整或与标题不符等情况,如果获取不到我们将提供退款服务。请知悉。

摘要

Sepak bola adalah olahraga yang sangat populer saat ini di dunia. Sepak bola bisa dimainkan oleh semua umur, mulai dari anak - anak hingga dewasa baik pria maupun wanita. Pada sebuah pertandingan sepak bola seorang pemain harus mampu menguasai beberapa teknik untuk menunjang keterampilannya dalam bermain. Dengan teknologi yang semakin mendukung, berbagai teknik itu juga dapat dengan mudah untuk dipelajari oleh pemain maupun masyarakat awam dan dengan penelitian ini diharapkan dapat mempermudah pemain ataupun masyarakat awam untuk mempelajari setiap teknik dalam permainan sepak bola tersebut. Teknik yang digunakan dalam penelitian ini adalah teknik menendang bola, teknik menggiring bola dan teknik menyundul bola. Setiap teknik mempunyai citra tertentu dan didalam penelitian ini setiap citra akan dikelompokan sesuai dengan klasifikasi teknik yang ada. Dalam penelitian ini metode ekstraksi fitur yang digunakan adalah gray level co-occurrence dan metode klasifikasi menggunakan algoritma k-nearest neighbor. Hasil klasifikasi k-nearest neighbor berdasarkan dari hasil ekstraksi fitur gray level co-occurrence setiap citra teknik. Penelitian menggunakan 120 data citra dengan rincian 90 data citra merupakan data training (latih) dan 30 data citra sebagai data testing (uji). Penelitian juga menggunakan aplikasi matlab. Dari klasifikasi k-nearest neighbor penelitian menghasilkan akurasi sebesar 53,33%.
机译:足球是当今世界上非常流行的一项运动。男女老少皆宜,男女老少皆宜。在足球比赛中,球员必须能够掌握多种技巧以支持其踢球技巧。随着支持技术的不断发展,运动员和普通人也可以轻松学习各种技术,并且通过这项研究,有望使运动员或普通人更容易学习足球比赛中的每种技术。在这项研究中使用的技术是踢球技术,运球技术和航向技术。每种技术都有特定的图像,在本研究中,将根据现有技术的分类对每个图像进行分组。在本研究中,使用的特征提取方法是灰度共现和使用k最近邻算法的分类方法。 k近邻分类结果基于每个技术图像的灰度共现特征提取结果。该研究使用了120个图像数据,其中90个图像数据作为训练数据和30个图像数据作为测试数据。该研究还使用了matlab应用程序。根据k近邻分类,该研究的准确性为53.33%。

著录项

  • 作者

    ROY G. ALEXANDER;

  • 作者单位
  • 年度 2016
  • 总页数
  • 原文格式 PDF
  • 正文语种
  • 中图分类

相似文献

  • 外文文献
  • 中文文献
  • 专利

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号