∑ Lingkup Pengembangan
Penelitian ini diimplementasikan dengan menggunakan Microsoft Access 2003 untuk komputasi algoritme VFI5. Perangkat keras yang digunakan adalah komputer notebook
dengan spesifikasi:
1 Prosesor AMD Turion64 X2 2.2GHz, 2 RAM 4 GB, dan
3 Harddisk 250 GB.
Gambar 4 Perbandingan interval VFI5 dengan VFI5 modifikasi.
HASIL DAN PEMBAHASAN
Penelitian ini menggunakan data hasil Pemantauan I dan Pemantauan II Program Adipura kategori kota Kecil dan kota Sedang regional Jawa periode 2007-2008. Klasifikasi yang digunakan adalah algoritme klasifikasi VFI5 dan algoritme klasifikasi VFI5 modifikasi. Bobot yang digunakan adalah bobot masing-masing feature yang ditentukan KLH dan bobot masing-masing feature sama.Data Pemantauan I
Data Pemantauan I Program Adipura berjumlah 98 instance. Data ini selanjutnya dibagi menjadi data latih dan data uji (klasifikasi) sesuai dengan 3-fold cross validation. Confusion matrix pada iterasi pertama data Pemantauan I disajikan pada Tabel 7.
Seluruh metode klasifikasi digunakan pada tahap pengujian untuk mengetahui tingkat akurasi masing-masing metode. Hasil tahap klasifikasi pada iterasi pertama disajikan pada Tabel 8. Jumlah kota salah prediksi pada VFI5 fi A : 0 A : 0 A : 0.4 A : 0.5 A : 0.6 A : 1 A : 0.7 A : 1 A : 0 B : 0 B : 1 B : 0.6 B : 0.5 B : 0.4 A : 0 B : 0.3 B : 0 B : 0 65 68 71 84 30 65 68 71 84 A : 0 A : 0 A : 0.4 A : 0.5 A : 0.6 A : 1 A : 0.7 A : 1 A : 1 B : 1 B : 1 B : 0.6 B : 0.5 B : 0.4 A : 0 B : 0.3 B : 0 B : 0 VFI5 modifikasi fi
7
iterasi ini berbeda untuk setiap metode klasifikasi. Daftar kota salah prediksi pada iterasi ini dapat dilihat pada Lampiran 5.
Tabel 7 Confusion matrix pada iterasi pertama data Pemantauan I.
Data Prediksi
Kelas A Kelas BA
Aktual Kelas A 12 0
Kelas BA 5 15
* Kelas A : Kelas Adipura; Kelas BA : Kelas Bukan Adipura.
Tabel 8 Hasil tahap klasifikasi pada iterasi pertama data Pemantauan I
Metode Prediksi benar Prediksi salah Akurasi VFI5a 27 5 84.38 % VFI5b 27 5 84.38 % VFI5c 26 6 81.25 % VFI5d 26 6 81.25 %
Hasil tahap klasifikasi pada iterasi kedua disajikan pada Tabel 9. Seluruh kota salah prediksi pada iterasi kedua adalah sama untuk seluruh metode klasifikasi. Daftar kota salah prediksi seluruh metode pada iterasi kedua dapat dilihat pada Lampiran 6.
Hasil tahap klasifikasi pada iterasi kedua data Pemantauan I ini tidak menunjukan perbedaan akurasi terhadap masing-masing metode (84.85%). Tingkat akurasi pada iterasi ini lebih tinggi dari iterasi sebelumnya.
Tabel 9 Hasil tahap klasifikasi pada iterasi kedua data Pemantauan I
Metode Prediksi benar Prediksi salah Akurasi VFI5a 28 5 84.85 % VFI5b 28 5 84.85 % VFI5c 28 5 84.85 % VFI5d 28 5 84.85 %
Hasil tahap klasifikasi pada iterasi ketiga disajikan pada Tabel 10. Jumlah kota salah prediksi pada iterasi ketiga berbeda untuk setiap metode klasifikasi. Daftar kota salah prediksi pada iterasi ini dapat dilihat pada Lampiran 7.
Hasil tahap klasifikasi pada iterasi pertama data Pemantauan I menunjukan beberapa kota salah diprediksi. Salah satu kota tersebut adalah kota Pasuruan dengan kategori kota Sedang. Vote untuk kelas Bukan Adipura 48.70, sedangkan vote untuk kelas Adipura 51.30. Selisih vote dengan nilai yang kecil (selisih 2.60) menjadi salah satu penyebab
kesalahan prediksi kota Pasuruan. Detail vote
untuk masing-masing instance dapat dilihat pada Lampiran 8.
Tabel 10 Hasil tahap klasifikasi pada iterasi ketiga data Pemantauan I
Metode Prediksi benar Prediksi salah Akurasi VFI5a 29 4 87.88 % VFI5b 29 4 87.88 % VFI5c 27 6 81.82 % VFI5d 30 3 90.91 %
Tahap klasifikasi data Pemantauan I menggunakan 3-fold cross validation
menunjukan penggunaan bobot masing-masing feature adalah satu memiliki akurasi rata-rata yang lebih tinggi dibandingkan dengan bobot yang telah ditentukan KLH, sedangkan penggunaan metode klasifikasi VFI5 (VFI5a) dan VFI5 modifikasi (VFI5b) tidak menunjukan perbedaan tingkat akurasi. Tingkat akurasi rata-rata hasil tahap klasifikasi data Pemantauan I disajikan pada Tabel 11. Grafik akurasi prediksi pada data Pemantauan I dapat dilihat pada Lampiran 9.
Hasil tahap klasifikasi data Pemantauan I menunjukan tingkat akurasi tertinggi pada metode VFI5a dan VFI5b sebesar 85.70 %. Metode ini merupakan menggunakan algoritme klasifikasi VFI5 dan algoritme VFI5 modifikasi dengan bobot masing-masing feature sama. Pada tahap klasifikasi ini penggunaan bobot yang ditentukan KLH tidak memberikan hasil yang lebih baik daripada bobot masing-masing feature sama.
Tabel 11 Tingkat akurasi rata-rata tahap klasifikasi data Pemantauan I
Metode Akurasi rata-rata
VFI5a 85.70 %
VFI5b 85.70 %
VFI5c 82.64 %
VFI5d 85.67 %
Data Pemantauan II
Jumlah instance data Pemantauan II Program Adipura sama dengan jumlah
instance pada data Pemantauan I. Data ini selanjutnya dibagi menjadi data latih dan data uji. Jumlah data latih dan data uji pada data Pemantauan II sama dengan pada data Pemantauan I.
Metode yang digunakan pada tahap klasifikasi data Pemantauan II sama dengan pada data Pemantauan I. Hasil tahap klasifikasi pada iterasi pertama disajikan
8
pada Tabel 12. Seluruh kota salah prediksi pada iterasi ini adalah sama untuk setiap metode klasifikasi. Daftar kota salah prediksi pada iterasi pertama data Pemantauan II dapat dilihat pada Lampiran 10.
Tabel 12 Hasil tahap klasifikasi pada iterasi pertama data Pemantauan II
Metode Prediksi benar Prediksi salah Akurasi VFI5a 29 3 90.63 % VFI5b 29 3 90.63 % VFI5c 29 3 90.63 % VFI5d 29 3 90.63 %
Hasil tahap klasifikasi pada iterasi kedua disajikan pada Tabel 13. Kota salah prediksi pada iterasi kedua dapat dilihat pada Lampiran 11. Detail vote kota Pasuruan pada kota salah prediksi iterasi pertama dapat dilihat pada Lampiran 12, detail vote
kabupaten Temanggung pada Lampiran 13, dan detail vote kabupaten Wonogiri pada Lampiran 14.
Tabel 13 Hasil tahap klasifikasi pada iterasi kedua data Pemantauan II
Metode Prediksi benar Prediksi salah Akurasi VFI5a 29 4 87.88 % VFI5b 29 4 87.88 % VFI5c 28 5 84.85 % VFI5d 28 5 84.85 %
Hasil tahap klasifikasi pada iterasi ketiga disajikan pada Tabel 14. Jumlah kota salah prediksi pada iterasi ini dapat dilihat pada Lampiran 15.
Tabel 14 Hasil tahap klasifikasi pada iterasi ketiga data Pemantauan II
Metode Prediksi benar Prediksi salah Akurasi VFI5a 31 2 93.94 % VFI5b 32 1 96.97 % VFI5c 31 2 93.94 % VFI5d 31 2 93.94 %
Hasil tahap klasifikasi data Pemantauan II menunjukan tingkat akurasi yang lebih tinggi dibandingkan dengan setiap iterasi pada tahap klasifikasi data Pemantauan I. Akurasi tertinggi pada tahap ini adalah pada iterasi ketiga menggunakan metode klasifikasi VFI5 modifikasi dengan bobot yang ditentukan KLH. Tingkat akurasi yang diperoleh pada metode tersebut adalah 96.97 %.
Tingkat akurasi rata-rata tertinggi pada tahap klasifikasi data Pemantauan II sebesar 91.82 % menggunakan metode klasifikasi VFI5 modifikasi dengan bobot yang ditentukan KLH. Secara umum, tingkat akurasi tahap klasifikasi data Pemantauan II lebih tinggi dari tahap klasifikasi data Pemantauan I. Tingkat akurasi rata-rata pada tahap klasifikasi data Pemantauan II disajikan pada Tabel 15. Grafik akurasi prediksi pada data Pemantauan II dapat dilihat pada Lampiran 16.
Tabel 15 Tingkat akurasi rata-rata tahap klasifikasi data Pemantauan II
Metode Akurasi rata-rata
VFI5a 90.81 % VFI5b 91.82 % VFI5c 89.80 % VFI5d 89.80 %
Data rata-rata Pemantauan I dan Pemantauan II
Data yang digunakan merupakan rata-rata Pemantauan I dan Pemantauan II Program Adipura. Data tersebut dihitung nilai rata-rata Pemantauan I dan Pemantauan II untuk setiap kriteria penilaian seluruh kota peserta Program Adipura. Selanjutnya data ini dibagi menjadi data latih dan data uji. Jumlah data latih dan data uji sama dengan pada data sebelumnya.
Metode yang digunakan pada tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II sama dengan tahap klasifikasi data sebelumnya. Hasil tahap klasifikasi pada iterasi pertama disajikan pada Tabel 16, sedangkan daftar kota salah prediksi pada iterasi pertama dapat dilihat pada Lampiran 17.
Tabel 16 Hasil tahap klasifikasi pada iterasi pertama data rata-rata Pemantauan I dan Pemantauan II Metode Prediksi benar Prediksi salah Akurasi VFI5a 28 4 87.50 % VFI5b 29 3 90.63 % VFI5c 27 5 84.38 % VFI5d 28 4 87.50 %
Hasil tahap klasifikasi iterasi kedua disajikan pada Tabel 17. Kota salah prediksi untuk setiap metode pada iterasi ini sama, yaitu kabupaten Nganjuk dan kabupaten Kulon Progo. Hasil tahap klasifikasi iterasi kedua memiliki tingkat akurasi paling tinggi
9
yaitu 93.94 % untuk seluruh metode. Penggunaan masing-masing metode dan bobot pada tahap klasifikasi iterasi ini tidak mempengaruhi tingkat akurasi.
Tabel 17 Hasil tahap klasifikasi pada iterasi kedua data rata-rata Pemantauan I dan Pemantauan II Metode Prediksi benar Prediksi salah Akurasi VFI5a 31 2 93.94 % VFI5b 31 2 93.94 % VFI5c 31 2 93.94 % VFI5d 31 2 93.94 %
Hasil tahap klasifikasi iterasi ketiga disajikan pada Tabel 18. Kota salah prediksi pada iterasi ketiga dapat dilihat pada Lampiran 18.
Tabel 18 Hasil tahap klasifikasi pada iterasi ketiga data rata-rata Pemantauan I dan Pemantauan II Metode Prediksi benar Prediksi salah Akurasi VFI5a 29 4 87.88 % VFI5b 30 3 90.91 % VFI5c 30 3 90.91 % VFI5d 30 3 90.91 %
Hasil klasifikasi seluruh seluruh iterasi pada data rata-rata Pemantauan I dan Pemantauan II menunjukan tingkat akurasi rata-rata tertinggi sebesar 91.82 %. Tingkat akurasi ini dicapai dengan menggunakan metode klasifikasi modifikasi dengan bobot masing-masing feature adalah satu. Tingkat akurasi rata-rata pada tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II disajikan pada Tabel 19. Grafik akurasi prediksi pada data rata-rata Pemantauan I dan Pemantauan II dapat dilihat pada Lampiran 19.
Tabel 19 Tingkat akurasi rata-rata tahap klasifikasi data rata-rata Pemantauan I dan Pemantauan II
Metode Akurasi rata-rata
VFI5a 89.77 % VFI5b 91.82 % VFI5c 89.74 % VFI5d 90.78 %
Hasil tahap klasifikasi menggunakan data Pemantauan I, data Pemantauan II dan data rata-rata Pemantauan I dan Pemantauan II menunjukan tingkat akurasi tertinggi pada
metode klasifikasi VFI5 modifikasi dengan bobot masing-masing feature sama (VFI5b). Tingkat akurasi rata-rata tertinggi diperoleh menggunakan data Pemantauan II dan data rata-rata Pemantauan I dan Pemantauan II yaitu 91.82 %. Daftar tingkat akurasi untuk setiap data, iterasi dan metode klasifikasi dapat dilihat pada Lampiran 20. Grafik tingkat akurasi setiap metode dan data pemantauan disajikan pada Gambar 5.
Gambar 5 Grafik tingkat akurasi prediksi.
Penggunaan kombinasi metode klasifikasi dan bobot bertujuan untuk mengetahui tingkat akurasi tertinggi prediksi kota peraih anugerah Adipura, sehingga dapat diketahui metode yang paling tepat. Tingkat akurasi rata-rata tertinggi untuk seluruh data pemantauan Program Adipura diperoleh menggunakan metode klasifikasi modifikasi dengan menggunakan bobot masing-masing
feature sama (VFI5b) yaitu sebesar 89.78 %. Grafik tingkat akurasi rata-rata setiap metode disajikan pada Gambar 6.
10