BAB III ANALISIS DAN PERANCANGAN
3.6 Perancangan Interface
3.6.4 Halaman Data Upload
Halaman ini merupakan halaman yang digunakan untuk menginputkan data mahasiswa. Dalam halaman ini admin bisa memilih file excel dengan format yang sudah ditentukan untuk meng upload data mahasiswa. Admin bisa memilih opsi hapus semua untuk menghapus data lama terlebih dahulu.
Gambar 3.9 Halaman Data Upload 3.6.5 Halaman Data Mahasiswa
Halaman data mahasiswa merupakan halaman yang digunakan untuk menampilkan informasi data mahasiswa. Dalam halaman ini admin dapat melihat informasi data mahasiswa yang dimasukan. Halaman ini dapat menginformasikan jumlah data yang digunakan sebagai data trainig dan data testing
Gambar 3.10 Halaman Data Mahasiswa 3.6.6 Halaman Akurasi Pembagian
Halaman ini merupakan halaman yang digunakan untuk membagi data mahasiswa kedalam 2 jenis data yaitu training dan testing. Dalam halaman ini juga akan dibagi jumlah data yang ditentukan untuk dihitung nilai akurasi dari proses perhitungan naive bayes.
Gambar 3.11 Halaman Akurasi Pembagian 3.6.7 Halaman Akurasi Hasil
Halaman akurasi hasil merupakan halaman yang digunakan untuk menampilkan hasil akurasi perhitungan. Akan ditampilkan kecocokan data lama dengan data baru dan dihitung nilai akurasinya dengan confusion matrix. Halaman ini juga menampilkan detail mahasiswa yang dijadikan hasil testing.
Gambar 3.12 Halaman Akurasi Hasil 3.6.8 Halaman Olah Pengujian
Halaman olah pengujian merupakan halaman yang dilakukan oleh admin dalam proses pengujian. Dalam halaman ini admin bisa menginputkan data mahasiswa yang akan dilakukan perhitungan dengan meninputkan kriteria yang ada.
Hasil dari perhitungan ini akan mengkategorikan kedalam mahaiswa dengan informasi prediksi lama lulus.
Gambar 3.13 Halaman Olah Pengujian 3.7 Rencana Pengujian
Tahapan rencana pengujian dilakukan dengan 2 jenis yaitu pengujian program / sistem yang sudah dibangun dengan 2 jenis pengujian yaitu pengujian white box testing dan pengujian blackbox testing. Pengujian sistem dilakukan untuk mencari fitur kebutuhan sistem apakah sudah sesuai dengan kebutuhan fungsional atau belum, selain itu untuk menguji penanganan kesalahan sistem.
Pengujian yang kedua adalah dengan pengujian Algoritma Naive Bayes dilakukan terlebih dahulu terhadap pengujian perhitungan manual yang sudah dilakukan, apakah sistem menghasilkan nilai yang sama atau tidak. Setelah pengujian manual mendapatkan hasil yang sama dilakukan ke tahapan pengujian selanjtnya.
Pengujian akurasi dilakukan dengan perhitungan akurasi dengan bantuan Confussion Matrix. Dalam proses pengujian yang dilakukan menggunakan pendekatan 3 Fold, artinya dalam setiap data set akan dibagi kedalam 3 kelompok data dengan 1 kelompok sebagai testing dan sisanya sebagai data training, kemudian akan dihasilkan akurasi setiap kelompok. Hasil akurasi setiap kelompok akan didapatkan nilai akurasi setiap unit uji.
Pengujian untuk pencarian nilai akurasi yang terbaik dilakukan dengan pendekatan perhitungan dengan simulasi 2 target kelas dan 4 target kelas. Selain itu akan diuji masing - masing dengan pendekatan probabilitas Gauss atau Probabilitas yang sudah ditentukan dalam penelitian ini. Hasil Skenario uji dapat dilihat dengan mudah seperti pada tabel 3.11
Tabel 3.11 Skenario Uji Akurasi Pendekatan Metode Target Kelas
Probabilitas 2 (L1,L2)
Gaussian 2 (L1,L2)
Probabilitas 4 (L1,L2,L3,L4)
Gaussian 4(L1,L2,L3,L4)
BAB IV
IMPLEMANTASI DAN PEMBAHASAN 4.1 Implementasi Sistem
Pada tahap ini harus dipastikan basis data dan program telah sesuai dengan perencanaan yang sudah kita analisis pada bab sebelumnya. Tujuan dari tahap implementasi adalah menyiapkan semua kegiatan penerapan sistem sesuai dengan rancangan yang telah ditentukan. Setelah itu baru dilakukan tahapan pengujian sistem guna meminimalisir segala kemungkinan kesalahan yang terjadi.
4.2 Pembahasan Basis Data Dan Tabel
Pembuatan basis data dan tabel adalah langkah awal dalam mengimplementasikan sebuah sistem. Selanjutnya membuat tabel yang telah dibutuhkan untuk sistem, ada 6 tabel yang akan di implementasi kan sesuai dengan perencanaan yang sudah dibuat. Berikut ini merupakan tabel-tabel yang digunakan pada sistem ini
4.2.1 Tabel Admin.
Tabel admin terdiri dari 3 kolom, dengan idadmin sebagai primary key. Tabel admin berfungsi untuk menyimpan data admin yang ada dalam sistem ini untuk proses login ke sistem.
4.2.2 Tabel Mahasiswa.
Tabel mahasiswa terdiri dari 16 kolom, dengan iddata sebagai primary key.
Tabel mahasiswa berfungsi untuk menyimpan data mahasiswa untuk dilakukan pengujian perhitungan yang akan dibagi ke data testing dan training.
Gambar 4.2 Tabel Mahasiswa 4.2.3 Tabel Mahasiswa Training.
Tabel training terdiri dari 2 kolom, tabel ini berfungsi menyimpan data yang digunakan sebagai data training.
Gambar 4.3 Tabel Mahasiswa Training
4.2.4 Tabel Mahasiswa Testing.
Tabel mahasiswa testing terdiri dari 3 kolom, tabel ini berfungsi menyimpan data yang digunakan sebagai data testing dengan menyimpan informasi hasil perbandingan di kolom keterangan.
Gambar 4.4 Tabel Mahasiswa Testing 4.2.5 Tabel Mahasiswa Tunggal.
Tabel mahasiswa tunggal berfungsi untuk menyimpan data mahasiswa yang dilakukan pengujian tunggal berdasarkan data master yang ada di tabel mahasiswa Hasil perhitungan akan di tampilan di kolom hasil dan keterangan.
Gambar 4.5 Tabel Mahasiswa Tunggal
4.3 Pembuatan Sistem Master Data
Sistem informasi yang dibangun terdiri beberapa bagian. Tahapan pembuatan sistem dimulai dengan pengolahan data master. Pengolahan data meliputi proses simpan data, ubah data, hapus data serta menampilkan data. Sistem akan berjalan terlebih dahulu dengan adanya proses koneksi ke dalam basis data.
4.3.1 Koneksi Basis Data
Sebelum data yang ada dalam database digunakan, maka yang harus dilakukan adalah melakukan koneksi database. Dalam aplikasi ini, kita bisa membuat skrip koneksi di dalam modul program yang dapat dipanggil di setiap halaman. Berikut script yang digunakan untuk koneksi database.
1. public class config {
2. private static Connection mysqlconfig;
3. public static Connection configDB()throws SQLException{
4. try {
5. String url="jdbc:mysql://localhost:3306/db_evaluasi_akademik";
6. String user="root"; //user database 7. String pass=""; //password database
8. DriverManager.registerDriver(new com.mysql.jdbc.Driver());
9. mysqlconfig=DriverManager.getConnection(url, user, pass);
10. } catch (SQLException e) {
11. System.err.println("koneksi gagal "+e.getMessage()); //perintah menampilkan error pada koneksi
12. }
13. return mysqlconfig;
14. } 15. }
4.3.1 Skrip Simpan Data
Skrip yang digunakan untuk menyimpan data ke basis data yang akan disimpan. Proses ini kita memanfaatkan query insert yang ada dalam basis data yang digunakan.
1. String sql="";
2. sql = "INSERT INTO tb_admin (username,password) VALUES (";
3. sql=sql +"'"+txtnama.getText()+"',";
4. sql=sql +"'"+txtpassword.getText()+"')";
5. java.sql.Connection conn=(Connection)config.configDB();
6. java.sql.PreparedStatement pst=conn.prepareStatement(sql);
7. pst.execute();
8. JOptionPane.showMessageDialog(null, "Penyimpanan Data Berhasil");
4.3.2 Skrip Tampil Data
Skrip yang digunakan untuk menampilkan data pada basis data yang akan ditampilkan pada tabel yang disediakan pada halaman yang disediakan . Proses ini memanfaatkan query select yang ada dalam basis data yang digunakan.
1. int no=1;
2. String sql = "select * from tb_admin where username like '%"+ par +"%'";
3. java.sql.Connection conn=(Connection)config.configDB();
4. java.sql.Statement stm=conn.createStatement();
5. java.sql.ResultSet res=stm.executeQuery(sql);
6. while(res.next()){
7. model.addRow(new Object[]{no++, 8. res.getString(1),
2. sql = "UPDATE tb_admin SET username = '"+txtnama.getText()+"',";
3. sql = sql + "password = '"+txtpassword.getText()+"',";
4. sql = sql + "WHERE idadmin = '"+ idadmin +"'";
5. java.sql.Connection conn=(Connection)config.configDB();
6. java.sql.PreparedStatement pst=conn.prepareStatement(sql);
7. pst.execute();
8. JOptionPane.showMessageDialog(null, "Data berhasil di Ubah");}
4.3.4 Skrip Hapus Data
Skrip yang digunakan untuk data yang ada dalam basis data Proses ini kita memanfaatkan query delete yang ada dalam basis data yang digunakan.
1. String sql ="delete from tb_admin where idadmin='"+ idadmin +"'";
2. java.sql.Connection conn=(Connection)config.configDB();
3. java.sql.PreparedStatement pst=conn.prepareStatement(sql);
4. pst.execute();
5. JOptionPane.showMessageDialog(this, "Data Berhasil di hapus");}
4.4 Tahapan Implementasi Metode
Tahapan implementasi algoritma Naive Bayes dibagi ke dalam beberapa tahapan dimulai dari tahapan pengambilan data dari basis data sampai dengan proses perhitungan nilai akurasi yang didapatkan.
4.4.1 Pengambilan Data File Excel
Pengambilan data diambil dari file excel yang sudah disediakan dengan format tertentu agar bisa dibaca oleh sistem.
1. String sql="insert into
tb_mahasiswa(`idadmin`,`jk`,`jurusan`,`ip1`,`ip2`,`ip3`,`ip4`,`ipk`,`lulus`,`k_ip1`,`k_ip2`
,`k_ip3`,`k_ip4`,`k_ipk`,`lama_lulus`) VALUES";
2. File namaFileExcel = new File(TextBrowse.getText());
3. Workbook w = null;try {
4. w = Workbook.getWorkbook(namaFileExcel);
5. } catch (IOException ex) {
6. Logger.getLogger(ImportData.class.getName()).log(Level.SEVERE, null, ex);
7. } catch (BiffException ex) {
8. Logger.getLogger(ImportData.class.getName()).log(Level.SEVERE, null, ex);}
9. Sheet sheet = w.getSheet(0);
10. try {java.sql.Connection conn=(Connection)config.configDB();
11. java.sql.PreparedStatement pst=conn.prepareStatement(sql);
12. pst.execute();
13. } catch (SQLException | HeadlessException e) {
14. JOptionPane.showMessageDialog(this, e.getMessage());}
Dari skrip di atas dapat dijelaskan kode untuk proses penyimpanan data dari excel ke basis data. Kode no 1 digunakan untuk proses query basis data. Kode no 2 untuk mengambil nama file excel. Kode no 9 digunakan untuk membaca sheet yang ada di excel. Kode 11 untuk proses eksekusi simpan ke basis data.
4.4.2 Transformasi Data IPK
Transformasi data dilakukan untuk nilai variabel yang bersifat kontinyu sehingga bisa dilakukan probabilitas dengan perhitungan naive bayes.
1. public String _IPK(float ipk,String jenis){
2. if(ipk>=0 && ipk<=1) 3. return jenis+"1";
4. else if (ipk>1 && ipk<=2) 5. return jenis+"2";
6. else if (ipk>2 && ipk<=3) 7. return jenis+"3";
8. else if (ipk>3 && ipk<=4) 9. return jenis+"4";
10. else
11. return "0";}
Dari skrip di atas dapat dijelaskan kode nomor 1 digunakan untuk memberikan nama fungsi yang digunakan, potongan kode no 2 untuk pengecekan nilai transformasi yang pertama sehingga menghasilkan nilai seperti pada potongan kode no 3. Proses transformasi dilakukan sebanyak 4 macam yang dapat dilihat dari kode no 2 sampai dengan no 9.
4.4.3 Pembagian Data Training dan Testing
Proses pembagian data training dan testing berfungsi untuk dilakukan proses pengujian akurasi sehingga didapat nilai performa algoritma yang digunakan.
1. try { 2. int no=0;
3. String sql = "select * from tb_mahasiswa order by iddata asc";
4. java.sql.Connection conn=(Connection)config.configDB();
5. java.sql.Statement stm=conn.createStatement();
6. java.sql.ResultSet res=stm.executeQuery(sql);
7. while(res.next()){
8. no++;
9. if(no==cross){
10. SimpanTesting(res.getString(1), "", "");
11. no=0;
12. }else{
13. SimpanTraining(res.getString(1), res.getString(16));
14. }}} catch (SQLException e) { 15. System.out.println(e.toString());
16. }
Dari skrip di atas dapat dijelaskan kode untuk proses pembagian data ke dalam testing dan training. Kode no 3 untuk mengambil data di basis data. Kode no 10 untuk menyimpan sebagai data testing dan kode o 13 menyimpan data ke training.
4.4.4 Proses Pengujian Bayes
Proses pengujian naive bayes dilakukan dengan terlebih dahulu mempersiapkan kelas yang ada kemudian dihitung setiap probabilitas setiap variabel yang terkandung.
1. String[] kelas = {"L1", "L2", "L3", "L4"};
2. double[] hasil= new double[4];
3. hasil[0]=1;
4. hasil[1]=1;
5. hasil[2]=1;
6. hasil[3]=1;
7. int terbesarhasil=0;
8. Double terbesarnilai=0.0;
9. for (int i =0;i<kelas.length; i++) {
16. hasil[i]*=(KelasVariabel(kelas[i],"k_ip4",ip4)/KelasLulus(kelas[i]));
22. terbesarhasil=i+1;}}return ("L"+ terbesarhasil);
Dari skrip di atas dapat dijelaskan kode nomor 1 digunakan untuk inisialisasi kelas yang ada. Kode no 3 sampai dengan 6 untuk memberikan nilai perkalian hasil akhir dengan nilai 1. Kode no 9 digunakan untuk proses perulangan dari kelas 1 sampai dengan kelas 4, kode no 10 untuk probabilitas kelas, kode no 11 sampai dengan 17 digunakan untuk mencari probabilitas setiap variabel. Kode no 18 sampai dengan no 22 digunakan untuk mencari nilai terbesar yang dan menentukan kelas.
4.4.5 Menampilkan Hasil Testing
Pengecekan nilai cluster akhir akan dibandingkan dengan cluster terakhir apakah sudah sama atau belum, kalau sudah sama maka proses perhitungan selesai.
1. try { 2. int no=1;
3. String sql = "select * from tb_mahasiswa join tb_mahasiswa_testing using(iddata)";
4. java.sql.Connection conn=(Connection)config.configDB();
5. java.sql.Statement stm=conn.createStatement();
6. java.sql.ResultSet res=stm.executeQuery(sql);
7. while(res.next()){
8. model.addRow(new Object[]{no++, 9. res.getString(1),
20. }jTable1.setModel(model);
Dari skrip di atas dapat dijelaskan kode nomor 3 digunakan untuk mengambil data yang sudah dilakukan proses pengujian. Kode no 7 digunakan untuk proses perulangan menampilkan data. Sedangkan kode no 10 sampai dengan no 19 digunakan untuk memasukan data ke dalam tabel yang disediakan.
4.4.5 Menampilkan Akurasi
Hasil proses pengujian akan ditampilkan dalam form yang dihitung dari hasil perhitungan yang sesuai dibandingkan dengan total uji sehingga didapatkan hasil akurasi.
1. int testing=All("select count(*) from tb_mahasiswa_testing");
2. int sesuai=All("select count(*) from tb_mahasiswa_testing where keterangan='Sesuai'");
3. int tidaksesuai=All("select count(*) from tb_mahasiswa_testing where keterangan='Tidak Sesuai'");
4. float x= (float) sesuai;
5. float y= (float) testing;
6. float z= (x/y)*100;
7. String strDouble = String.format("%.2f", z);
8. txtjumlahtesting.setText(String.valueOf(testing));
9. txtjumlahsesuai.setText(String.valueOf(sesuai));
10. txtjumlahtidaksesuai.setText(String.valueOf(tidaksesuai));
Dari skrip di atas dapat dijelaskan kode nomor 1 digunakan untuk mencari data yang mahasiswa yang dites, kode no 2 digunakan untuk mengambil data yang sesuai, dan kode no 3 untuk mengambil data yang tidak sesuai. Proses perhitungan akurasi dilakukan pada kode no 6 dan ditampilkan dalam kode no 7.
4.6 Pembahasan Antarmuka 4.4.1 Halaman Login
Halaman login merupakan halaman awal ketika masuk ke dalam sistem.
Dalam halaman login pengguna diharuskan menginputkan username dan password.
Dalam halaman login disediakan inputan berupa username dan password disertai dengan tombol login.
Gambar 4.7 Halaman Login 4.4.2 Halaman Beranda
Halaman beranda merupakan halaman utama ketika sistem dibuka. Dalam halaman beranda akan mempunyai tombol pintas yang menginformasikan menu menu yang dapat diakses meliputi data admin, import data, data mahasiswa, data akurasi dan data pengujian tunggal.
Gambar 4.8 Halaman Beranda 4.4.3 Halaman Data Admin
Halaman admin merupakan halaman yang berfungsi untuk menampilkan data Admin. Dalam halaman ini pengguna mampu menampilkan data admin. Selain itu disediakan tombol untuk menambah, merubah dan menghapus data. Data admin dapat dilakukan pencarian di kolom yang tersedia.
Gambar 4.9 Halaman Data Admin 4.4.4 Halaman Import
Halaman import merupakan halaman yang digunakan untuk memasukan dari dari file excel yang sudah disediakan. Dalam halaman ini admin diharuskan mencari file excel yang disediakan kemudian dilakukan proses import di tombol yang disediakan.
Gambar 4.10 Halaman Import Data Mahasiswa
4.4.5 Halaman Data Mahasiswa
Halaman data mahasiswa merupakan halaman yang digunakan untuk menampilkan keseluruhan data mahasiswa yang ada. Dalam halaman ini menampilkan data mahasiswa beserta dengan atribut yang ada. Halaman ini juga menyediakan informasi mengenai data yang sudah dilakukan transformasi data.
Gambar 4.11 Halaman Data Mahasiswa
4.4.6 Halaman Pengujian Akurasi
Halaman pengujian akurasi berfungsi untuk melakukan proses uji coba akurasi dengan skenario uji tertentu. Dalam halaman ini akan menampilkan informasi data mahasiswa yang sudah dilakukan proses perhitungan dan akan dibandingkan hasil sebelumnya dengan hasil perhitungan bayes atau tidak. Halaman ini menampilkan informasi jumlah data yang di tes, jumlah hasil yang sesuai, hasil yang tidak sesuai dan menampilkan nilai akurasi.
Gambar 4.12 Halaman Pengujian Akurasi 4.4.7 Halaman Pengujian Tunggal
Halaman pengujian tunggal merupakan halaman yang digunakan untuk proses pengujian tunggal. Dalam halaman ini pengguna diharuskan mengisi data di
setiap variabel yang ada meliputi jenis kelamin, jurusan, ip semester 1 sampai dengan semester 4 dan IPK. Hasil dari prediksi akan ditampilkan di kolom yang disediakan.
Gambar 4.13 Halaman Pengujian Tunggal 4.7 Uji coba program dan sistem
Setelah pengujian program dilakukan dan semua kemungkinan error sudah di dikurangi sebaik mungkin, selanjutnya pengujian yang harus dilakukan yaitu pengujian sistem. Tujuan dari pengujian sistem ini adalah untuk memastikan semua
modul berjalan dengan baik. Ada 2 jenis pengujian sistem,yaitu matrix box testing dan black box testing.
4.5.1 White Box testing
White box testing merupakan pengujian yang dilakukan untuk menguji prosedur – prosedur yang ada. Salah satunya adalah validasi kotak isian, sistem akan menampilkan pesan validasi yang menandakan bahwa ada beberapa kolom yang di input kan tidak boleh kosong atau harus diisi dengan benar. Proses penanganan kesalahan ditampilkan dalam gambar 4.14
Gambar 4.14 Contoh White Box Testing Penanganan Proses Pengujian.
4.5.2 Black Box testing
Pada black box testing, cara pengujian nya hanya dilakukan dengan menjalankan atau eksekusi unit atau modul, kemudian diamati apakah hasil dari unit tersebut sesuai dengan proses bisnis yang diinginkan. Jika ada unit yang sesuai
output nya maka untuk menyelesaikan nya, diteruskan pada pengujian kedua, yaitu matrix box testing.
Tabel 4.1 Pengujian Black Box Testing
No Menu Output Keterangan
1 Login Proses validasi login Berhasil
2 Halaman Data
3 Halaman Import Memilih file .xls
Proses Transformasi data Menampilkan transformasi data mahasiswa
Berhasil
5 Halaman Pengujian Akurasi
6 Halaman Pengujian Tunggal
Melakukan proses perhitungan Menampilkan hasil perhitungan Simpan data pengujian
Berhasil
4.7 Pengujian Naive Bayes
4.7.1 Pengujian Perhitungan Manual
Pengujian perhitungan manual dilakukan dengan proses perbandingan perhitungan yang sudah dilakukan di bab sebelumnya dengan simulasi data training berjumlah 40 data, dengan skenario hasil transformasi berupa data jenis kelamin L, data jurusan Informatika, data IP semester 1 A3, data IP Semester 2 B3, data IP Semester 3 C3, data IP semester 4 D3, dan data IPK K3. Hasil dari perhitungan menghasilkan data ada pada kelas L3 yang ditunjukan dalam gambar 4.
Gambar 4.15 Hasil pengujian Manual
Pengujian dengan sistem dilakukan setelah program sudah selesai dibuat dan menampilkan informasi perhitungan yang sama seperti dilihat dalam gambar 4.15 Dengan nilai L1 sebesar 0, nilai L2 sebesar 0.0014, L3 sebesar 0.201 dan L4 sebesar 0.
Gambar 4.16 Hasil pengujian perhitungan oleh sistem
Proses pengujian debugging akan ditampilkan hasil akhirnya dalam tampilan aplikasi yang dapat dilihat dalam gambar 4.17
Gambar 4.17 Hasil pengujian perhitungan oleh sistem 4.7.2 Pengujian Fold 3
Pengujian skenario akurasi dilakukan dengan total jumlah data 980 setelah dari proses pre-processing dengan diambil data yang sesuai dan terlebih dahulu dilakukan proses transformasi data. Pengujian perhitungan dengan fold 3 data dibagi kedalam 3 fold dan dilakukan pengujian dengan 3 iterasi. Pengujian dilakukan dengan total data hasil pre-processing sejumlah 980 data. Data pengujian setiap iterasi akan dibagi kedalam data training dan testing yang dapat dijabarkan pada Tabel 4.2.
Tabel 4.2 Skenario Pengujian 3 Fold Iteriasi Fold Range Data Keterangan
1 1 1-327 Data Testing
1 2 328-654 Data Training
1 3 655-980 Data Training
2 1 1-327 Data Training
2 2 328-654 Data Testing
2 3 655-980 Data Training
3 1 1-327 Data Training
3 2 328-654 Data Training
3 3 655-980 Data Testing
4.7.2.1 Pengujian dengan nilai probabilitas dan 4 target kelas
Pengujian dilakukan dengan melakukan pengelompokan setiap nilai angka kedalam kelas tertentu dan transformasi target kelas menjadi 4 yaitu L1, L2, L3 dan L4. Proses pengujian dilakukan dengan 3 iterasi di setiap fold yang diuji. Hasil pengujian dengan 3 fold pada iterasi pertama dapat dilihat confusion matrix pada Tabel. 4.3
Tabel 4.3 Confusion matrix Pengujian pada fold 3 iterasi ke 1
Kelas Prediksi
L1 L2 L3 L4
L1 43 45 4 2
L2 52 96 12 15
L3 1 24 7 11
L4 0 6 2 7
Dari tabel 4.3 dapat dihitung nilai akurasi pada pengujian pada fold 3 dan iterasi ke 1 dengan cara;
Akurasi = (Jumlah Kelas Sesuai) / (Jumlah Keseluruhan Data) * 100 % Akurasi = (43 +96+7+7) / (327) * 100 %
Akurasi = 46,79 %
Dari hasil perhitungan nilai akurasi pada fold 3 iterasi ke 1 didapatkan hasil 46,79 %. Hasil perhitungan dapat dilihat dalam aplikasi pengujian yang ditunjukan dalam gambar 4.18.
Gambar 4.18 Hasil pengujian iterasi 1 Probabilitas 4 Target.
Perhitungan selanjtunya akan dicari confusion matrix pada fold ke 3 iterasi 2 yang dapat dilihat dalam Tabel 4.4
Tabel 4. 4 Confusion matrix Pengujian pada fold 3 iterasi ke 2
Kelas Prediksi
L1 L2 L3 L4
L1 38 67 3 0
L2 40 103 20 1
L3 1 25 10 2
L4 0 10 6 1
Dari tabel 4.4 dapat dihitung nilai akurasi pada pengujian pada fold 3 dan iterasi ke 2 dengan cara ;
Akurasi = (Jumlah Kelas Sesuai) / (Jumlah Keseluruhan Data) * 100 % Akurasi = (38+103+10+1) / (327) * 100 %
Akurasi = 46,48 %
Dari hasil perhitungan nilai akurasi pada fold 3 iterasi ke 2 didapatkan hasil 46,48 %. Hasil perhitungan dapat dilihat dalam aplikasi pengujian yang ditunjukan dalam gambar 4.19.
Gambar 4.19 Hasil pengujian iterasi 2 Probabilitas 4 Target.
Perhitungan Selanjutnya akan dicari confusion matrix pada fold ke 3 iterasi 2 yang dapat dilihat dalam Tabel 4.5
Tabel 4.5 Confusion Matrix Pengujian pada fold 3 iterasi ke 2
Kelas Prediksi
L1 L2 L3 L4
L1 42 56 9 1
L2 30 104 27 4
L3 0 27 13 5
L4 0 4 2 2
Dari Tabel 4.5 dapat dihitung nilai akurasi pada pengujian pada fold 3 dan iterasi ke 3 dengan cara;
Akurasi = (Jumlah Kelas Sesuai) / (Jumlah Keseluruhan Data) * 100 % Akurasi = (42+104+13+2) / (326) * 100 %
Akurasi = 49,39 %.
Dari hasil perhitungan nilai akurasi pada fold 3 iterasi ke 3 didapatkan hasil 49,39 %. Hasil perhitungan dapat dilihat dalam aplikasi pengujian yang ditunjukan dalam gambar 4.20.
Gambar 4.20 Hasil pengujian iterasi 3 Probabilitas 4 Target.
Proses pengujian didapatkan akurasi dari 3 skenario selanjutnya akan dihitung rata –rata akurasi yang dapat ditampilkan dalam tabel 4.6
Tabel 4.6 Hasil pengujian akurasi Iterasi Akurasi (%)
1 46,79
2 46,48
3 49,39
Rata – Rata 47,55
Dari tabel 4.6 didapatkan nilai akurasi paling tinggi pada iterasi ke 3 dengan nilai 49,39 % dan mendapatkan rata – rata 47.55%
4.7.2.2 Pengujian dengan Fungsi Gaussian dan 4 target kelas
Pengujian dilakukan dengan melakukan perhitungan variabel yang bersifat numerik dengan fungsi gaussian dan transformasi target kelas menjadi 4 yaitu L1, L2, L3 dan L4. Proses pengujian dilakukan dengan 3 iterasi di setiap fold yang diuji.
Hasil pengujian dengan 3 fold pada iterasi pertama dapat dilihat confusion matrix pada Tabel. 4.7
Tabel 4.7 Confusion matrix Pengujian pada fold 3 iterasi ke 1
Kelas Prediksi
L1 L2 L3 L4
L1 47 47 0 0
L2 56 119 0 0
L3 12 31 0 0
L4 5 10 0 0
Dari tabel 4.7 dapat dihitung nilai akurasi pada pengujian pada fold 3 dan iterasi ke 1 dengan cara;
Akurasi = (Jumlah Kelas Sesuai) / (Jumlah Keseluruhan Data) * 100 %
Akurasi = (47 +119+0+0) / (327) * 100 % Akurasi = 50,76 %
Dari hasil perhitungan nilai akurasi pada fold 3 iterasi ke 1 didapatkan hasil 50,76 %. Hasil perhitungan dapat dilihat dalam aplikasi pengujian yang ditunjukan dalam gambar 4.20.
Gambar 4.20 Hasil pengujian iterasi 1 Gaussian 4 Target.
Perhitungan selanjutnya akan dicari confusion matrix pada fold ke 3 iterasi 2 yang dapat dilihat dalam Tabel 4.8
Tabel 4. 8 Confusion matrix Pengujian pada fold 3 iterasi ke 2
Kelas Prediksi
L1 L2 L3 L4
L1 0 108 0 0
L2 0 164 0 0
L3 0 38 0 0
L4 0 17 0 0
Dari tabel 4.8 dapat dihitung nilai akurasi pada pengujian pada fold 3 dan iterasi ke 2 dengan cara ;
Akurasi = (Jumlah Kelas Sesuai) / (Jumlah Keseluruhan Data) * 100 % Akurasi = (0+164+0+0) / (327) * 100 %
Akurasi = 50,15 %
Dari hasil perhitungan nilai akurasi pada fold 3 iterasi ke 2 didapatkan hasil 50,15 %. Hasil perhitungan dapat dilihat dalam aplikasi pengujian yang ditunjukan dalam gambar 4.21.
Gambar 4.21 Hasil pengujian iterasi 2 Gaussian 4 Target.
Perhitungan Selanjutnya akan dicari confusion matrix pada fold ke 3 iterasi 3 yang dapat dilihat dalam Tabel 4.9
Tabel 4.9 Confusion matrix Pengujian pada fold 3 iterasi ke 3
Kelas Prediksi
L1 L2 L3 L4
L1 0 108 0 0
L2 0 165 0 0
L3 0 38 0 0
L4 0 17 0 0
Dari Tabel 4.9 dapat dihitung nilai akurasi pada pengujian pada fold 3 dan iterasi ke 3 dengan cara;
Akurasi = (Jumlah Kelas Sesuai) / (Jumlah Keseluruhan Data) * 100 % Akurasi = (0+165+0+0) / (326) * 100 %
Akurasi = 50,61 %
Dari hasil perhitungan nilai akurasi pada fold 3 iterasi ke 3 didapatkan hasil 50,61 %. Hasil perhitungan dapat dilihat dalam aplikasi pengujian yang ditunjukan dalam gambar 4.22.
Gambar 4.22 Hasil pengujian iterasi 3 Gaussian 4 Target.
Proses pengujian didapatkan akurasi dari 3 skenario selanjutnya akan dihitung rata – rata akurasi yang dapat ditampilkan dalam tabel 4.10
Tabel 4.10 Hasil pengujian akurasi Iterasi Akurasi (%)
1 50,76
2 50,15
3 50,61
Rata – Rata 50,50
Dari tabel 4.6 didapatkan nilai akurasi paling tinggi pada iterasi ke 1 dengan nilai 50,76 % dan mendapatkan rata – rata 50,50%
4.7.2.3 Pengujian dengan nilai probabilitas dan 2 target kelas
4.7.2.3 Pengujian dengan nilai probabilitas dan 2 target kelas