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.