2.8.4. Akurasi Klasifikasi Confution Matrix
Metode ini hanya menggunakan tabel matriks terdapat pada proses jika dataset memiliki kelas yaitu kelas yang dianggap positif
dan kelas lainnya merupakan kelas negatif Bramer, 2007. Evaluasi dengan confution matrix ini menghasilkan nilai
akurasi, precison, dan recall terhadap klasifikasi yang telah dilakukan. Akurasi dalam klasifikasi adalah presentase ketetapan
record data yang diklasifikasikan secara benar setelah dilakukan
pengujian pada hasil klasifikasi Han Kamber, 2006. Sedangkan precision
atau confidence adalah proporsi kasus yang diprediksi positif yang juga positif benar pada data yang sebenarnya. Recall
atau sensitivitas adalah proporsi kasus positif yang sebenarnya yang diprediksi positif secara benar Powers, 2011.
Correct Clasification
Classified as +
- +
True positives False negative
- False positive
True negative Tabel 2. 3 Cross Validation
True positive dan false positive adalah jumlah record positif
dan negatif yang diklasifikasikan sebagai positif, sedangkan false negative
dan true negatif adalah jumlah record positif dan negatif yang diklasifikasikan sebagai negatif. Lalu masukkan data uji,
setelah itu hitung nilai yang telah dimasukkan tersebut untuk dihitung sensitivitinya, spesifikasinya, presisinya dan akurasinya.
Berdasarkan isi matriks pada tabel tersebut maka dapat diketahui jumlah data dari masing-masing kelas yang dipredikasi
secara benar yaitu True positives + True negatives dan data yang diklasifikasikan secara salah adalah False positive + False
negatives .
Kuantitas matriks dapat diringkas menjadi dua nilai yaitu akurasi dan laju error. Dua nilai ini digunakan sebagai matriks
kinerja dengan formula sbb Hann Kamber, 2006 : ��
� =
ℎ ℎ
=
+ +
+
22
BAB III
METODOLOGI PENELITIAN
Pada bab ke tiga ini, akan dijelaskan tentang analisa kebutuhan, data penelitian, skenario pengambilan data, analisa pengolahan data, analisa
kebutuhan pengguna, spesifikasi hardware dan software yang digunakan serta beberapa user interface awal.
3.1. Data Penelitian