Data Synthetic Control Chart Time Series

29 Tabel 4.10 Salah klasifikasi untuk Data SCCTS Kelompok asal Kelompok prediksi Total 1  2  3  4  5  6  1  100 100 2  100 100 3  99 1 100 4  99 1 100 5  2 98 100 6  1 99 100 Total 103 100 99 99 99 100 600 Dengan demikian, total persentase salah klasifikasi yang diperoleh adalah sebesar 5 100 0.83 600   Hasil tersebut menunjukkan bahwa data ini bersifat terpisah secara linear. Tetapi data ini tidak dapat divisualisasi secara langsung karena memiliki 60 peubah atau berdimensi 60, sehingga visualisasi hanya dapat dilakukan dengan mereduksi data asli menjadi dua komponen utama terlebih dahulu. Sayangnya, ketika data tersebut direduksi menjadi KU-1 dan KU-2 dengan menggunakan AKU, maka diperoleh visualisasi yang kurang baik seperti yang ditunjukkan pada Gambar 4.8. Gambar 4.8 Visualisasi Data SCCTS dengan AKU Apabila kedua komponen ini diklasifikasikan dengan menggunakan analisis diskriminan linear Fisher maka akan diperoleh fungsi diskriminan linear Fisher seperti pada Tabel 4.11 di bawah ini. 30 Tabel 4.11 Fungsi diskriminan linear untuk dua KU dari Data SCCTS dengan AKU Kelompok Fungsi diskriminan linear Fisher 1    1 0.0213 0.4826 0.9679 T d           x x 2    2 0.0430 11.8826 4.8034 T d         x x 3    3 3.3834 13.3521 0.7951 T d          x x 4    4 3.4893 14.3123 1.0926 T d           x x 5    5 2.3366 6.7576 1.0048 T d          x x 6    6 2.2525 6.1538 0.9431 T d           x x Salah klasifikasi dari hasil pengklasifikasian dengan fungsi diskriminan linear pada Tabel 4.11 untuk setiap kelompok diberikan pada Tabel 4.12 di bawah ini. Tabel 4.12 Salah klasifikasi untuk dua KU dari Data SCCTS dengan AKU Kelompok asal Kelompok prediksi Total 1  2  3  4  5  6  1  100 100 2  10 90 100 3  68 32 100 4  7 69 24 100 5  3 20 77 100 6  5 25 70 100 Total 118 90 95 74 133 70 600 Dengan demikian, total persentase salah klasifikasi yang diperoleh adalah sebesar 126 100 21.00 600   Hal ini juga terlihat dari hasil plot pencar di mana banyaknya salah klasifikasi antara kelompok 3 dan kelompok 5 serta kelompok 4 dan kelompok 6, begitu juga kelompok 1 dan kelompok 2. Melihat persentase hasil salah klasifikasi yang sangat besar ini, maka dapat dikatakan AKU gagal bukan hanya dalam memvisualisasikan 31 keterpisahan data secara linear tetapi juga dalam hal memvisualisasikan kondisi data asli. Hasil yang lebih baik diperoleh dengan menggunakan AKU Kernel. Untuk Data SCCTS yang telah distandardisasi diperoleh interval berdasarkan jarak antarobjeknya adalah 3.3171 23.5416.    Dengan membagi interval tersebut menjadi 200 partisi, maka diperoleh titik yang memberikan persentase total proporsi salah klasifikasi terkecil adalah 4.5305,   yaitu sebesar 7.0. Pada interval 3.3171 23.5416    hanya terdapat satu titik yang memberikan titik yang meminimumkan salah klasifikasi sehingga kontribusi keragaman dari dua komponen utama pertama tidak perlu diperhatikan. Tren nilai  terhadap total proporsi salah klasifikasi untuk data ini diberikan oleh Gambar 4.9. Gambar 4.9 Tren σ-AER dari Data SCCTS dengan AKU Kernel Hasil visualisasi dengan menggunakan AKU Kernel dengan 4.5305   ditampilkan pada Gambar 4.10 di bawah ini. Gambar 4.10 Visualisasi Data SCCTS dengan AKU Kernel Apabila kedua komponen ini diklasifikasikan dengan menggunakan analisis diskriminan linear Fisher maka akan diperoleh fungsi diskriminan linear Fisher untuk setiap kelompok data seperti pada Tabel 4.13, sedangkan salah klasifikasi untuk setiap kelompok data diberikan pada Tabel 4.14. 32 Tabel 4.13 Fungsi diskriminan linear untuk dua KU dari Data SCCTS dengan AKU Kernel Kelompok Fungsi diskriminan linear Fisher 1    1 8.7385 10.8331 35.5850 T d          x x 2    2 1.2946 0.2150 5.0119 T d          x x 3    3 221.4237 50.6432 5.6432 T d          x x 4    4 220.8282 50.5337 4.2952 T d           x x 5    5 170.3896 30.5710 7.5668 T d         x x 6    6 177.8807 33.5024 11.6295 T d          x x Tabel 4.14 Salah klasifikasi untuk dua KU dari Data SCCTS dengan AKU Kernel Kelompok asal Kelompok prediksi Total 1  2  3  4  5  6  1  100 100 2  100 100 3  95 5 100 4  92 8 100 5  9 91 100 6  20 80 100 Total 100 100 104 112 96 88 600 Dengan demikian, total persentase salah klasifikasi yang diperoleh adalah sebesar 42 100 7.00 600   Hasil visualisasi yang lebih baik jika dibandingkan dengan hasil visualisasi yang diperoleh melalui AKU.

4.2.3 Data Tanaman Iris

Data ini terdiri atas 150 objek dengan 4 peubah dan 3 kelompok data. Masing- masing kelompok data terdiri atas 50 objek data. Data ini tergolong data yang populer karena sering digunakan dalam contoh-contoh kasus pengklasifikasian data. Untuk Data Tanaman Iris tidak dilakukan standardisasi terlebih dahulu, karena 33 keragaman data yang dimiliki setiap peubah dianggap tidak bersifat mendominasi. Deskripsi keragaman data diberikan pada Tabel 4.15. Tabel 4.15 Deskripsi keragaman Data Tanaman Iris Peubah Varians � 0.6857 � 0.1900 � 3.1163 � 0.5810 Apabila data ini diklasifikasikan dengan menggunakan analisis diskriminan linear Fisher maka akan diperoleh fungsi diskriminan linear Fisher seperti yang ditunjukkan pada Tabel 4.16 berikut. Tabel 4.16 Fungsi diskriminan linear untuk Data Tanaman Iris Kelompok Fungsi diskriminan linear Fisher 1    1 23.5442 23.5879 85.2099 16.4306 17.3984 T d                 x x 2    2 15.6982 7.0725 71.7540 5.2115 6.4342 T d               x x 3    3 12.4458 3.6853 103.2697 12.7665 21.0791 T d               x x Salah klasifikasi dari hasil pengklasifikasian dengan menggunakan fungsi diskriminan pada Tabel 4.16 untuk setiap kelompok data ditunjukkan pada Tabel 4.17 di bawah ini. Tabel 4.17 Salah klasifikasi untuk Data Tanaman Iris Kelompok asal Kelompok prediksi Total 1  2  3  1  50 50 2  48 2 50 3  1 49 50 Total 50 49 51 150 Dengan demikian, total persentase salah klasifikasi yang diperoleh adalah sebesar 34 3 100 2.00 150   Hasil tersebut menunjukkan bahwa data ini terpisah secara linear. Hasil yang sama juga diperoleh apabila data ini direduksi menjadi KU-1 dan KU-2 dengan menggunakan AKU. Hasil visualisasi dari dengan AKU ditampilkan pada Gambar 4.11. Gambar 4.11 Visualisasi Data Tanaman Iris dengan AKU Apabila kedua komponen hasil reduksi dengan AKU ini diklasifikasikan dengan