48
Pada Gambar 4.2, terlihat confusion matrix dan table of confusion dari pengujian k-NN dengan metode 10-fold cross validation. Berdasarkan gambar
tersebut, dapat dijelaskan bahwa dari total 286 data, sebanyak 207 data 72.38 dapat diklasifikasikan dengan benar, sedangkan 79 data 27.62 salah
diklasifikasikan. Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung
nilai precision, recall, dan F-measure. Tabel 4.2 menunjukkan hasil pengukuran
akurasi algoritma pohon keputusan pada BreastCancer.arff. Tabel 4.2. Nilai Akurasi k-NN terhadap BreastCancer.arff
Class Precision
Recall F-measure
Success Rate
no-recurrence-events 0.756
0.896 0.820
72.38 recurrence-events
0.563 0.318
0.406 Weighted Average
0.699 0.724
0.697
4.2. Data Set Car
Data Set Car terdiri dari 1.728 instances, 7 atributtes, dan 4 classes unac, acc, good, dan vgood.
Gambar 4.3 berikut ini menunjukkan hasil perhitungan akurasi algoritma pohon keputusan terhadap data set Car.
Gambar 4.3. Perhitungan Akurasi Pohon Keputusan terhadap Car.arff
Universita Sumatera Utara
49
Pada Gambar 4.3, terlihat confusion matrix dan table of confusion dari pengujian pohon keputusan dengan metode 10-fold cross validation. Berdasarkan
gambar tersebut, dapat dijelaskan bahwa dari total 1.728 data, sebanyak 1.596 data 92.36 dapat diklasifikasikan dengan benar, sedangkan 132 data 7.64 salah
diklasifikasikan. Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung
nilai precision, recall, dan F-measure. Tabel 4.3 menunjukkan hasil pengukuran
akurasi algoritma pohon keputusan pada Car.arff.
Tabel 4.3. Nilai Akurasi Pohon Keputusan terhadap Car.arff
Class Precision
Recall F-measure
Success Rate
unacc 0.972
0.962 0.967
92.36 acc
0.841 0.867
0.854
good 0.689
0.609 0.646
vgood
0.770 0.877
0.820 Weighted Average
0.924 0.924
0.924
Gambar 4.4 berikut ini menunjukkan hasil perhitungan akurasi k-NN terhadap data set Car.
Gambar 4.4. Perhitungan Akurasi k-NN terhadap Car.arff
Universita Sumatera Utara
50
Pada Gambar 4.4, terlihat confusion matrix dan table of confusion dari pengujian k-NN dengan metode 10-fold cross validation. Berdasarkan gambar
tersebut, dapat dijelaskan bahwa dari total 1.728 data, sebanyak 1.616 data 93.52 dapat diklasifikasikan dengan benar, sedangkan 112 data 6.48 salah
diklasifikasikan. Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung
nilai precision, recall, dan F-measure. Tabel 4.4 menunjukkan hasil pengukuran
akurasi algoritma k-NN pada Car.arff.
Tabel 4.4. Nilai Akurasi k-NN terhadap Car.arff
Class Precision
Recall F-measure
Success Rate
unacc
