9 terhadap tingkat akurasi dari pengklasifikasi
untuk kelas target penyakit. Dilihat dari waktu eksekusi, proses
klasifikasi untuk fitur pada taraf nyata 0.01 membutuhkan waktu yang lebih lama
dibandingkan dengan fitur pada taraf nyata 0.001. Waktu eksekusi rata-rata untuk fitur
yang memiliki taraf nyata 0.01 adalah 13.47 detik, sedangkan waktu eksekusi rata-rata
untuk fitur yang memiliki taraf nyata 0.001 adalah 7.56 detik. Pengaruh taraf nyata
terhadap waktu eksekusi dapat dilihat pada Tabel 8.
Tabel 8 Pengaruh taraf nyata terhadap
waktu eksekusi Kelas
Waktu ekseskusi detik
= 0.01 13.47
= 0.001 7.56
Perbedaan waktu eksekusi disebabkan oleh perbedaan jumlah fitur yang dihasilkan
pada kedua taraf nyata. Jumlah fitur yang dihasilkan pada taraf nyata 0.01 lebih banyak
dibandingkan dengan jumlah fitur yang dihasilkan pada taraf nyata 0.001. Jumlah
fitur akan sangat berpengaruh pada saat penghitungan
nilai similaritas
antara dokumen uji dengan dokumen latih. Semakin
banyak fitur yang digunakan, semakin banyak waktu yang dibutuhkan untuk
menghitung similaritas antara dokumen uji dengan setiap dokumen latih.
Perbedaan waktu eksekusi yang tidak signifikan
antara kedua
sistem pengklasifikasi menunjukkan bahwa secara
keseluruhan kinerja pengklasifikasi KNN Fuzzy saat menggunakan fitur pada taraf
nyata 0.01 lebih baik dibandingkan saat menggunakan fitur pada taraf nyata 0.001
karena fitur yang dihasilkan pada taraf nyata 0.01 lebih informatif dibandingkan dengan
fitur yang dihasilkan pada taraf nyata 0.001.
2. Pengaruh nilai
\ \-nearest neighbor terhadap tingkat akurasi
Pada saat pengklasifikasi membentuk derajat keanggotaan untuk setiap kelas,
pengklasifikasi terlebih dahulu menentukan -tetangga terdekat atau -dokumen latih yang
memiliki nilai similaritas tertinggi terhadap dokumen uji.
Penentuan nilai dilakukan secara bertahap dari
=1 hingga =50 dengan interval
sebesar 5. Penentuan nilai secara bertahap dilakukan untuk melihat nilai
yang optimum
terhadap tingkat
akurasi pengklasifikasi. Penentuan nilai dilakukan
pada fitur dengan taraf nyata 0.01 dan derajat bebas satu. Pengaruh beberapa nilai
terhadap tingkat akurasi pengklasifikasi KNN Fuzzy ditunjukkan pada Gambar 3.
Gambar 3 Pengaruh beberapa nilai \
terhadap tingkat akurasi pengklasifikasi KNN Fuzzy.
Tingkat akurasi optimum pengklasifikasi KNN Fuzzy untuk kelas famili dicapai pada
saat bernilai 5. Tingkat akurasi yang
dihasilkan sebesar 97.43. Tingkat akurasi tidak berubah hingga nilai
=50. Hal ini menunjukkan bahwa kinerja pengklasifikasi
KNN Fuzzy untuk kelas famili relatif stabil terhadap penentuan nilai .
Tingkat akurasi optimum pengklasifikasi KNN Fuzzy untuk kelas penyakit dicapai
pada saat bernilai 5. Tingkat akurasi yang dihasilkan sebesar 100. Tingkat akurasi
untuk kelas penyakit mengalami penurunan sebesar 2.57 pada saat nilai =40. Hal ini
menunjukkan bahwa kinerja pengklasifikasi KNN Fuzzy untuk kelas penyakit tidak stabil
terhadap penentuan nilai
. Nilai yang
besar 40 mengakibatkan pemisahan antar kelas penyakit menjadi kabur sehingga
pengklasifikasi tidak mampu memberi label yang benar untuk beberapa dokumen uji.
Kesalahan dalam pelabelan kelas penyakit yang terjadi pada saat nilai =40 dapat dilihat
pada Lampiran 5.
10 20
30 40
50 60
70 80
90 100
1 5 10 15 20 25 30 35 40 45 50
A k
u ra
si
tetangga terdekat penyakit
famili
10 Secara
keseluruhan, kinerja
pengklasifikasi untuk kedua kelas target mencapai optimum saat nilai =5. Hal ini
ditunjukkan dari tingkat akurasi yang dihasilkan untuk kedua kelas target. Tingkat
akurasi yang dihasilkan untuk kelas famili dan kelas penyakit pada saat nilai =5 dapat
dilihat pada Tabel 9.
Tabel 9 Tingkat akurasi yang dihasilkan untuk kelas famili dan kelas penyakit pada
saat nilai \=5
Kelas Famili
Penyakit Tingkat
akurasi 97.43
100
Penentuan nilai
diperlukan untuk
mengetahui kinerja pengklasifikasi KNN Fuzzy yang optimum. Penentuan nilai yang
‘baik’ dapat dilakukan dengan teknik optimisasi parameter.
3. Pengaruh fuzzy terhadap distibusi