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
0.973 0.998
0.985
93.52 acc
0.818 0.911
0.862
good 1.000
0.188 0.317
vgood 1.000
0.708 0.829
Weighted Average 0.940
0.935 0.925
4.3. Data Set Diabetes
Data Set Diabetes terdiri dari 768 instances, 9 atributtes, dan 2 classes
tested_negative dan tested_positive.
Gambar 4.5 berikut ini menunjukkan hasil perhitungan akurasi algoritma pohon keputusan terhadap data set Diabetes.
Universita Sumatera Utara
51
Gambar 4.5. Perhitungan Akurasi Pohon Keputusan terhadap Diabetes.arff
Pada Gambar 4.5, 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 768 data, sebanyak 567 data 73.83 dapat diklasifikasikan dengan benar, sedangkan 201 data 26.17 salah
diklasifikasikan. Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung
nilai precision, recall, dan F-measure. Tabel 4.5 menunjukkan hasil pengukuran
akurasi algoritma pohon keputusan pada Diabetes.arff.
Tabel 4.5. Nilai Akurasi Pohon Keputusan terhadap Diabetes.arff
Class Precision
Recall F-measure
Success Rate
tested_negative
0.790 0.814
0.802
73.83 tested_positive
0.632 0.597
0.614 Weighted Average
0.735 0.738
0.736
Gambar 4.6 berikut ini menunjukkan hasil perhitungan akurasi k-NN terhadap data set Diabetes.
Universita Sumatera Utara
52
Gambar 4.6. Perhitungan Akurasi k-NN terhadap Diabetes.arff
Pada Gambar 4.6, 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 768 data, sebanyak 539 data 70.18 dapat diklasifikasikan dengan benar, sedangkan 229 data 29.82 salah
diklasifikasikan. Dengan menggunakan persamaan 2.6, 2.7, 2.8, 2.9, dan 2.10, dihitung
nilai precision, recall, dan F-measure. Tabel 4.6 menunjukkan hasil pengukuran
akurasi algoritma k-NN pada Diabetes.arff.
Tabel 4.6. Nilai Akurasi k-NN terhadap Diabetes.arff
Class Precision
Recall F-measure
Success Rate
tested_negative
0.759 0.794
0.776
70.18 tested_positive