Data Tanaman Iris Hasil Uji Coba dan Analisis

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 menggunakan analisis diskriminan linear Fisher maka akan diperoleh fungsi diskriminan linear Fisher seperti yang ditunjukkan pada Tabel 4.18 berikut. Tabel 4.18 Fungsi diskriminan linear untuk dua KU dari Data Tanaman Iris dengan AKU Kelompok Fungsi diskriminan linear Fisher 1    1 11.3609 81.6885 35.4973 T d          x x 2    2 11.7156 71.4090 14.1905 T d         x x 3    3 20.3577 100.0734 8.3977 T d         x x Salah klasifikasi dari hasil pengklasifikasian dengan fungsi diskriminan linear pada Tabel 4.18 untuk setiap kelompok diberikan Tabel 4.19 di bawah ini. 35 Tabel 4.19 Salah klasifikasi untuk dua KU dari Data Tanaman Iris dengan AKU Kelompok asal Kelompok prediksi Total 1  2  3  1  50 50 2  48 2 50 3  4 46 50 Total 50 52 48 150 Dengan demikian, total persentase salah klasifikasi yang diperoleh adalah sebesar 6 100 4.00 150   Data Tanaman Iris ini kemudian direduksi juga dengan menggunakan AKU Kernel. Berdasarkan jarak antarobjeknya, diperoleh interval untuk parameter  adalah 7.0852    . Interval ini kemudian dibagi menjadi 200 partisi. Titik pembuat total proporsi salah klasifikasi terkecil diberikan pada interval 5.5265 6.8726    , yaitu sebesar 2.67. Tren nilai  terhadap total proporsi salah klasifikasi untuk data ini diberikan oleh Gambar 4.12 sedangkan tren nilai  terhadap persentase kontribusi keragaman dua komponen utama pertama pada interval 5.5265 6.8726    diberikan pada Gambar 4.13. Gambar 4.12 Tren σ-AER dari Data Tanaman Iris dengan AKU Kernel Gambar 4.13 Tren σ-persentase keragaman dua KU dari Data Tanaman Iris dengan AKU Kernel 36 Karena itu dipilih titik yang memberikan kontribusi keragaman terbesar pada interval 5.5265 6.8726    yaitu 6.8726.   Hasil visualisasi dengan menggunakan KU-1 dan KU-2 ditampilkan pada Gambar 4.14. Gambar 4.14 Visualisasi Data Tanaman Iris dengan AKU Kernel Apabila data ini diklasifikasikan dengan menggunakan analisis diskriminan linear Fisher maka akan diperoleh fungsi diskriminan linear Fisher seperti pada Tabel 4.20 berikut. Tabel 4.20 Fungsi diskriminan linear untuk dua KU dari Data Tanaman Iris dengan AKU Kernel Kelompok Fungsi diskriminan linear Fisher 1    1 62.5454 11.0616 6.4525 T d           x x 2    2 232.0417 61.9347 283.4547 T d          x x 3    3 308.0873 92.1455 329.1896 T d          x x Salah klasifikasi dari hasil pengklasifikasian dengan fungsi diskriminan linear pada Tabel 4.20 untuk setiap kelompok data diberikan pada Tabel 4.21 berikut. Tabel 4.21 Salah klasifikasi untuk dua KU dari Data Tanaman Iris dengan AKU Kernel Kelompok asal Kelompok prediksi Total 1  2  3  1  50 50 2  47 3 50 3  1 49 50 Total 50 48 52 150 37 Dengan demikian, total persentase salah klasifikasi yang diperoleh adalah sebesar 4 100 2.67 150   Hasil yang lebih baik jika dibandingkan dengan pereduksian dengan menggunakan AKU dalam memvisualisasikan keterpisahan data secara linear.

4.2.4 Data Pengenalan Anggur

Data ini terdiri atas 178 objek dengan 13 peubah dan 3 kelompok data. Masing-masing kelompok data terdiri atas berturut-turut 59, 71 dan 48 objek data seperti yang ditunjukkan pada Tabel 3.5. Data ini juga tergolong data yang populer karena sering digunakan sebagai contoh dalam kasus pengklasifikasian data seperti halnya Data Tanaman Iris. Deskripsi keragaman Data Pengenalan Anggur ini diberikan pada Tabel 4.22. Tabel 4.22 Deskripsi keragaman Data Pengenalan Anggur Peubah Varians Peubah Varians � 0.6591 � 0.0155 � 1.2480 � 0.3276 � 0.0753 � 5.3744 � 11.1527 � 0.0522 � 203.9893 � 0.0541 � 0.3917 � 99166.72 � 0.9977 Untuk menghilangkan dominasi keragaman peubah tertentu, maka terhadap data ini dilakukan standardisasi terlebih dahulu sebelum divisualisasikan. Apabila data yang telah distandardisasi ini diklasifikasikan dengan menggunakan analisis diskriminan linear Fisher maka akan diperoleh fungsi diskriminan linear Fisher seperti pada Tabel 4.23. Sementara itu, salah klasifikasi dari hasil pengklasifikasian untuk setiap kelompok data dengan menggunakan fungsi diskriminan linear Fisher pada Tabel 4.23 diberikan pada Tabel 4.24. 38 Tabel 4.23 Fungsi diskriminan linear untuk Data Pengenalan Anggur Kelompok Fungsi diskriminan linear Fisher 1    1 2.3181 0.0547 1.4352 2.5963 0.0946 1.3579 7.2876 4.8476 0.2938 0.5600 1.8240 0.0539 2.8742 4.4203 T d                                                x x 2    2 -1.7239 -0.858 -1.5833 1.1675 0.0188 0.0190 1.3474 3.0602 0.5167 0.4285 -1.5172 0.8715 -0.0243 -2.1539 T d                                             x x 39 Kelompok Fungsi diskriminan linear Fisher 3    3 -0.2994 1.3368 0.5777 1.4642 -0.1440 1.6410 -7.9516 10,5969 -1.1254 0.0545 4.4862 -1.3553 -3.4970 -2.2473 T d                                             x x Tabel 4.24 Salah klasifikasi untuk Data Pengenalan Anggur