54
Gambar 4.8. Perhitungan Akurasi k-NN terhadap Ionosphere.arff
Pada Gambar 4.8, 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 351 data, sebanyak 303 data 86.32 dapat diklasifikasikan dengan benar, sedangkan 48 data 13.68 salah
diklasifikasikan. Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung
nilai precision, recall, dan F-measure. Tabel 4.8 menunjukkan hasil pengukuran
akurasi algoritma k-NN pada Ionosphere.arff.
Tabel 4.8. Nilai Akurasi k-NN terhadap Ionosphere.arff
Class Precision
Recall F-measure
Success Rate
bad
0.924 0.675
0.780
86.32 good
0.842 0.969
0.901 Weighted Average
0.871 0.863
0.857
4.5. Data Set Iris
Data Set Iris terdiri dari 150 instances, 5 atributtes, dan 3 classes Iris-setosa, Iris-versicolor
, dan Iris-virginica.
Universita Sumatera Utara
55
Gambar 4.9 berikut ini menunjukkan hasil perhitungan akurasi algoritma pohon keputusan terhadap data set Iris.
Gambar 4.9. Perhitungan Akurasi Pohon Keputusan terhadap Iris.arff
Pada Gambar 4.9, 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 150 data, sebanyak 144 data 96 dapat diklasifikasikan dengan benar, sedangkan 6 data 4 salah diklasifikasikan.
Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung nilai precision, recall, dan F-measure. Tabel 4.9 menunjukkan hasil pengukuran
akurasi algoritma pohon keputusan pada Iris.arff.
Tabel 4.9. Nilai Akurasi Pohon Keputusan terhadap Iris.arff
Class Precision
Recall F-measure
Success Rate
Iris-setosa
1.000 0.980
0.990
96.00 Iris-versicolor
0.940 0.940
0.940
Iris-virginica 0.941
0.960 0.950
Weighted Average 0.960
0.960 0.960
Universita Sumatera Utara
56
Gambar 4.10 berikut ini menunjukkan hasil perhitungan akurasi k-NN terhadap data set Iris.
Gambar 4.10. Perhitungan Akurasi k-NN terhadap Iris.arff
Pada Gambar 4.10, 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 150 data, sebanyak 143 data 95.33 dapat diklasifikasikan dengan benar, sedangkan 7 data 4.67 salah diklasifikasikan.
Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung nilai precision, recall, dan F-measure. Tabel 4.10 menunjukkan hasil pengukuran
akurasi algoritma k-NN pada Iris.arff.
Tabel 4.10. Nilai Akurasi k-NN terhadap Iris.arff
Class Precision
Recall F-measure
Success Rate
Iris-setosa 1.000
1.000 1.000
95.33 Iris-versicolor
