ANALISIS SHOOTING FREE THROW KAWHI LEONARD MVP (MOST VALUABLE PLAYER) FINAL NBA 2019 MENGGUNAKAN SOFTWARE KINOVEA
Notice bibliographique
Résumé
Laga Final NBA 2019 yang mempertemukan Tim Toronto raptors melawan Golden State Warriors Kawhi Leonard berhasil membawa timnya Toronto Raptors menjadi juara NBA 2019 sekaligus sebagai penerima penghargaan pemain terbaik. Di setiap poin yang diciptakan Kawhi Leonard memiliki tingkat keberhasilan paling tinggi pada percobaan shooting free throw. Tujuan : Untuk mengetahui efektivitas shooting Kawhi Leonard ditinjau dari aspek biomekanika yaitu sudut siku, sudut bahu, sudut elevasi dan kecepatan tembakan. Metode : Penelitian ini menggunakan penelitian non-eksperimen dengan metode penelitian analisis deskriptif kuantitatif. Teknik analisis data menggunakan software Kinovea dan setelah data terkumpul akan dihitung dengan rumus persentase dan rumus gerak parabola. Hasil : tingkat keberhasilan shooting free throw Kawhi Leonard sebesar 88%, Sudut siku yang menghasilkan bola masuk yaitu pada rentang 86o-90o, sudut bahu 124o-130o, sudut elevasi 46o-52o dan rata-rata kecepatan tembakan 7,33 m/s. Kesimpulan : Shooting free throw yang paling efektif yaitu dengan sudut siku mendekati 90o, sudut bahu 129o, sudut elevasi 45o dengan kecepatan 7,69 m/s. Kata Kunci: Analisis biomekanika, software Kinovea, Shooting free throw.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,009 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».