Selama o bagian dari out.keySet if o.equalsinstance.classValue {
jika o sama dengan nilai kelas out.geto.tp++;
} else { out.geto.tn++;
}} Pada bagian ini sistem mengecek apabila klasifikasi benar yaitu nilai data
validasi dan nilai data yang di-training sama, maka selanjutnya jika data yang benar bernilai positif maka tp++ , dan jika data yang benar bernilai negative maka tn++.
Kemudian sistem akan mengecek hasil klasifikasi yang salah. } else { jika prediksi tidak sama dengan kelas
for Object o : out.keySet { Selama o bagian dari out.keyset
if prediction.equalso {
out.geto.fp++; }
instance is positive class else if o.equalsinstance.classValue {
out.geto.fn++; } none is positive class
else { out.geto.tn++; }
} } } } return out; kembalikan nilai outhasil
} Pada bagian ini sistem akan mengecek apabila klasifikasi yang salah yaitu jika
data validasi bernilai yes sedangkan data yang di-training bernilai no dan sebaliknya. Jika data yang salah bernilai positif maka fp++, dan jika data yang salah bernilai
negative maka fn++. Setelah nilai tp, tn, fp, dan fn udah dihitung langkah selanjutnya menentukan parameter yaitu akurasi.
4.3.3.2 Menghitung Akurasi
Untuk mengetahui akurasi atau frekuensi benar dari sebuah klasifikasi maka perlu dihitung akurasinya. Langkahnya adalah dengan menjumlahkan true positif
dengan true negative kemudian membaginya dengan total seluruh data klasifikasi. Misalkan: a= jumlah klasifikasi positif benar true positif
b= jumlah klasifikasi negative benar true negative c= jumlah total seluruh data
Maka : a+bc Berikut adalah kode program yang mengimplementasikan akurasi:
public double getAkurasi { return this.tp + this.tn this.getTotal;}
BAB V ANALISIS HASIL
5.1 Analisis Hasil Penambangan Data
Proses penambangan data pada penelitian ini dilakukan dengan menggunakan sistem yang telah dibangun. Oleh karena itu, untuk memastikan bahwa
sistem sudah menerapkan algoritma dengan tepat maka perlu dilakukan perbandingan hasil antara sistem yang dibangun dan sistem lain. Sistem yang dipilih untuk digunakan
sebagai pembanding adalah Weka 3.7 dengan ketentuan memakai 3, 5, 10, 15, dan 20 fold cross validation. Ada alasan yang menjadi dasar pemilihan 3, 5, 10, 15, dan 20 fold
cross validation karena menurut Witten, Ian H, dan Frank, Eibe 2005 10 fold memberikan hasil prediksi terbaik dalam percobaan dengan beragam data dan beragam
algoritma sehingga 10 fold menjadi standar dalam melakukan pengujian tetapi pendapat ini masih sering didebatkan oleh karena itu penulis juga menambahkan 3, 5, 15 dan 20
fold dengan harapan mendapatkan fold yang menghasilkan akurasi yang paling baik.
Gambar 5.1 Screenshot KNN dengan 3-fold cross validation dengan menggunakan sistem
Gambar 5.2 Screenshot Naive bayes dengan 3-fold cross validation dengan menggunakan program weka
