BAB IV HASIL DAN PEMBAHASAN
4.2 Hasil Uji Coba
Selanjutnya pada Tabel 4.2 akan dibuat plot menggunakan ggplot2 adalah graphic packages yang berjalan di R dan memiliki fungsi utama untuk mengerjakan visualisasi data. Package ini ditemukan oleh Hadley Wickham dengan tujuan untuk menghasilkan grafik yang elegan. Berbeda dengan graphic packages lainnya, ggplot2 memanfaatkan gg atau grammar of graphics untuk menyusun grafik visualisasi data. Dengan begitu, visualisasi yang akan muncuk benar-benar mengikuti rancangan analisis yang diterapkan pada data (HadleyyWickham, 2016). Source code untuk gglpot2 yang digunakan dalam penelitian ini ditunjukan pada Gambar 4.7 dan hasil akan ditunjukkan pada Gambar 4.8 di bawah ini.
Gambar 4.7 Source Code ggplot2
Gambar 4.8 Hasil Source Code ggplot
46
Pada tahap ini merupakan aturan klasifikasi dimana terdapat nilai-nilai yang diperlukan pada perhitungan confusion matrix berupa True Positive, True Negative, False Positve, dan False Negative yaitu:
a. True Positive (TP) merupakan nilai dimana data actual positif diprediksi sebagai data positif.
b. True Negative (TN) merupakan nilai dimana data actual negatif diprediksi sebagai data negatif.
c. False Positive (FP) merupakan nilai dimana data actual negatif diprediksi sebagai data positif.
d. False Negative (FN) merupakan nilai dimana data actual positif diprediksi sebagai data negatif.
Apabila data actual pada kelas tertentu tidak sama dalam melakukan prediksi maka dimasukkan ke nilai TN dimana merupakan jumlah dari alternatif kelas yang tidak saling berkaitan pada data actual maupun predicted, sehingga pada dua kelas tersebut yang saling berkaitan merupakan nilai FP dan nilai FN.
Apabila data actual dan predicted merupakan kelas yang sama, maka dimasukkan ke nilai TP dan sisa dari alternatif kelas yang tidak saling berkaitan dimasukkan ke nilai TN.
Pada tahap ini menjelaskan tentang perhitungan pada accuracy, precision, recall dan micro-F1. Akurasi klasifikasi adalah persentase data testing yang diklasifikasi secara benar oleh model. Apabila akurasi klasifikasi dianggap dapat diterima maka model dapat diterapkan untuk mengklasifikasi set data masa
mendatang yang label kelas tidak diketahui (Agarwal, 2014) . Perhitungan pada accuracy ditunjukkan pada persamaan (4.1.4.1) sebagai berikut.
𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔 (4.1.4.1) Presisi atau precision menyatakan proporsi unit yang diprediksi positif oleh model yang juga positif pada data sebenarnya. Presisi dapat diartikan sebagai kecocokan antara permintaan informasi dengan jawaban terhadap permintaan tersebut (Mayadewi & Rosely, 2015). Precision merupakan hasil perhitungan terhadap seberapa data uji diprediksi sebagai kelas positif yang benar-benar positif. Perhitungan pada precision ditunjukkan pada persamaan (4.1.4.2).
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑃 (4.1.4.2)
Recall merupakan hasil perhitungan terhadap semua data uji yang positif yang telah diprediksi benar sebagai positif pada klasifikasi. Recall juga dikenal sebagai True Positive Rate (TPR), sensitivitas, dan probabilitas deteksi (Grandini et al., 2020). Perhitungan pada recall ditunjukkan pada persamaan (4.1.4.3).
𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑁 (4.1.4.3)
Dalam klasifikasi multiclass dimana observasi hanya memiliki label tunggal, micro-averaged F1 score identik dengan akurasi klasifikasi secara keseluruhan. Formula micro-F1 ditunjukkan pada persamaan (4.1.4.4). Seluruh kelas observasi digabung untuk mengukur averaged presisi dan
micro-48
averaged recall sehingga diperoleh rata-rata harmonik micro-F1 (Zhang et al., 2015).
𝑀𝑖𝑐𝑟𝑜 𝐹1= 2 × (𝑅𝑒𝑐𝑎𝑙𝑙 × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛
𝑅𝑒𝑐𝑎𝑙𝑙 + 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛) (4.1.4.4)
4.2 Hasil Uji Coba
Hasil uji coba peneliti memaparkan hasil yang telah didapatkan melalui proses uji coba. Peneliti membagi data menjadi dua bagian yang digunakan untuk proses training dan testing model dengan menggunakan perbandingan 70:30 dimana artinya 70% atau sebanyak 210 data digunakan sebagai data training, sedangkan 30% atau sebanyak 90 data digunakan sebagai data testing. Tabel 4.3 menunjukkan 90 sampel dalam data training.
Tabel 4.3 Data Training NO Jenis
Kelamin Jalur Masuk IP1 IP2 IP3 IP4 IP5 IP6 Kategori
1 2 2 3,4 3,26 3,59 3,57 3,61 3,61 2
2 2 2 3,38 3,31 3,26 3,17 3,23 3,5 3
3 1 2 2,88 2,29 2,81 2,73 3,16 2,23 3
4 2 2 3,57 3,59 3,72 3,69 3,46 3,73 2
5 2 2 3,45 3,07 3,83 3,85 3,76 3,79 2
6 1 2 3,81 3,8 3,65 3,79 3,7 3,66 2
7 2 2 2,86 3,43 3,35 3,48 3,59 3,55 3
8 1 2 3,48 2,94 3,5 3,38 3,26 3,57 3
9 1 1 3,19 3,07 3,31 3,52 3,62 3,83 1
10 2 1 3,71 3,69 3,44 3,5 3,19 3,54 3
11 1 2 3,62 3,71 3,54 3,48 3,19 3,57 3
12 2 2 3,43 3,29 3,35 3,55 3,25 3,21 3
13 1 2 3,57 3,54 3,67 3,65 3,46 3,44 2
14 1 2 3,19 3 3,43 3,5 3,3 3,71 3
15 2 2 3,57 3,67 3,62 3,75 3,58 3,54 2
16 2 2 3,36 3,36 3,17 3,38 3,07 3,33 3
17 1 2 3,62 3,08 3,02 3,29 3,23 3,4 3
18 1 2 3,64 3,33 3,59 3,6 3,52 3,59 3
Lanjutan Tabel 4.3 NO Jenis
Kelamin Jalur Masuk IP1 IP2 IP3 IP4 IP5 IP6 Kategori
19 1 2 3,83 3,8 3,96 3,83 3,87 3,88 2
20 1 2 3,6 3,37 3,61 3,4 3,41 3,19 3
21 1 2 3,55 3,26 3,46 3,5 3,57 3,5 2
22 1 2 3,6 3,63 3,83 3,71 3,7 3,73 2
23 1 2 3,4 2,86 3,52 3,21 2,83 3,24 3
24 1 2 3,29 3,04 3,65 3,38 3,83 3,36 3
25 1 2 3,19 3,37 3,17 3,28 3,19 3,15 3
26 1 2 3,6 3,48 3,36 3,42 3,36 3,65 3
27 2 2 2,79 2,93 3,29 3,04 1,3 3,11 3
28 1 2 3,24 3,36 3,26 3,23 2,63 3,1 3
29 2 2 3,74 3,54 3,69 3,88 3,74 3,87 2
30 2 2 3,33 3,26 3,54 3,38 3,74 3,76 3
31 2 2 3,5 3,45 3,3 3,33 3 3,37 3
32 2 2 3,48 3,5 3,11 3,54 3,13 3,79 2
33 1 2 3,64 3,17 3,48 3,56 3,42 3,67 1
34 1 1 3,43 3,33 3,56 3,62 3,45 3,48 3
35 2 2 3,6 3,39 3,67 3,54 3,17 3,62 3
36 1 2 3,79 3,54 3,74 3,94 3,89 3,38 2
37 2 2 3,26 3,23 3,15 3,5 3,08 3,2 3
38 1 2 3,69 3,38 1,88 3,08 3 2,42 3
39 2 2 3,74 3,72 3,74 3,6 3,57 3,86 2
40 1 2 3,52 3,27 3,71 3,62 3,34 3,74 3
41 2 2 3,62 3,56 3,57 3,73 3,25 3,8 3
42 2 2 3,29 3,48 3,67 3,38 3,22 3,43 2
43 2 2 3,6 3,48 3,78 3,81 3,57 3,76 2
44 1 2 3,55 3 3,62 3,65 3,39 3,61 1
45 1 2 3,52 3,31 3,72 3,4 3,41 3,7 3
46 2 2 3,4 3,26 3,43 3,58 3,37 3,62 3
47 1 2 3,43 3,14 2,8 3,18 2,9 3,34 3
48 1 2 3,66 3,34 3,2 3,34 3,42 3,21 3
49 2 2 3,67 3,5 3,48 3,75 3,31 3,63 3
50 1 1 3,62 3,46 3,33 3,5 2,43 2,71 3
51 1 1 3,48 3,3 2,92 3,39 3,19 3,54 3
52 2 2 3,48 3,43 3,48 3,31 3,1 3,11 3
53 2 2 3,81 3,43 3,65 3,77 3,83 3,85 2
54 1 2 3,48 3,67 3,48 3,33 3,05 3,43 3
55 1 2 3,29 3,48 3,54 3 2,98 3,55 3
56 1 1 3,69 3,61 3,75 3,56 3,72 3,83 3
57 2 2 3,73 3,68 3,65 3,71 3,44 3,52 1
50
Lanjutan Tabel 4.3 NO Jenis
Kelamin Jalur Masuk IP1 IP2 IP3 IP4 IP5 IP6 Kategori
58 2 2 3,43 2,98 3,45 3,19 3,24 3,25 3
59 1 2 3,38 3 3,43 3,46 3,57 3,31 3
60 1 2 3,57 3,75 3,46 3,62 3,38 3,44 3
61 2 2 3,68 3,21 3,08 3,48 3,14 3,48 3
62 2 2 3,38 3 3,29 3,5 3,04 3,54 3
63 2 1 3,6 3,59 3,72 3,71 3,61 3,6 2
64 2 1 3,5 3,36 3,17 2,94 3,17 3,38 3
65 1 2 3,57 3,34 3,23 3,19 3,3 3,69 3
66 2 1 3,31 3,46 3,52 3,61 3,23 3,13 3
67 1 2 3,45 3,5 3,59 3,52 3,41 3,91 2
68 1 2 3,48 3,74 3,74 3,71 3,17 3,69 3
69 2 2 2,74 2,81 3,48 3,67 3,35 3,44 3
70 2 2 3,5 3,19 3,3 3,26 3,38 3,67 3
71 2 1 3,64 3,35 3,72 3,75 3,59 3,71 2
72 2 2 3,48 2,96 3,21 3,07 3,12 3,4 3
73 1 2 2,79 2,95 3,39 2,67 2,95 2,12 3
74 1 2 3,71 3,54 3,61 3,73 3,54 3,81 2
75 1 2 3,43 3,11 3,41 2,69 2,65 3,3 3
76 1 2 3,24 2,88 3,36 3,52 3,76 3,43 3
77 2 2 3,55 3,39 3,24 3,06 2,88 3,2 3
78 2 2 3,45 3,57 3,65 3,85 3,7 3,85 2
79 2 2 3,8 3,31 3,38 3,73 3,52 3,63 1
80 1 2 3,64 3,04 3,5 3,38 3,65 3,76 1
81 1 2 3,31 3,4 3,54 3,59 3,17 3,15 2
82 2 1 3,76 3,48 3,06 3,08 3,15 3,46 3
83 1 2 3,52 3,21 3,48 3,59 2,86 3,14 3
84 2 2 3,17 3,3 3,17 3,29 3,19 3,09 3
85 1 2 3,43 2,79 3,66 3,46 3,37 3,26 3
86 2 2 3,17 2,5 3,36 3,6 3,37 3,54 3
87 2 2 3,33 3,05 3,15 2,71 2,86 2,6 3
88 2 2 3,48 2,86 3,11 3,52 3,3 3,61 3
89 2 2 3,64 3,54 3,52 3,09 3,45 3,65 3
90 2 2 3,55 3,46 3,38 3,48 3,17 3,56 3
Kemudian, proses learning dengan metode regresi logistik multinomial diterapkan pada data training untuk mengklasifikasi 90 data testing dari mahasiswa.
Daftar data testing ditunjukkan dalam Tabel 4.4.
Tabel 4.4 Data Testing No Jenis
Kelamin
Jalur
Masuk IP1 IP2 IP3 IP4 IP5 IP6 Kategori Predict
1 2 1 3,55 3,31 3,42 3,59 3,05 3,34 3 3
2 1 2 3,45 3,4 3,23 3,02 3,46 2,95 1 3
3 1 2 3,62 3,56 3,48 3,56 3,15 3,31 3 3
4 2 1 3,76 3,61 3,74 3,79 3,52 3,86 2 2
5 2 2 3,38 2,98 3,1 3,36 3 3,52 3 3
6 2 2 3,6 3,65 3,63 3,77 3,83 3,77 2 2
7 1 2 3,14 3,59 3,72 3,85 3,76 3,81 2 2
8 1 2 3,67 2,94 3,45 3,35 3,35 3,48 3 3
9 1 2 3,55 3,17 3,54 3,33 2,91 3,52 3 3
10 2 1 3,48 3,61 3,74 3,83 3,61 3,9 2 2
11 1 1 3,48 3,36 3,11 3,47 3,32 3,26 3 3
12 1 2 3,45 3,4 3,19 3,58 3,12 3,42 1 3
13 2 2 3,76 3,8 3,65 3,5 3,5 3,76 2 3
14 2 2 3,31 3,41 3,62 3,48 3,18 3,3 3 3
15 1 2 3,79 3,75 3,38 3,6 3,65 3,73 3 3
16 1 2 3,67 3,23 3,27 3,77 3,59 3,69 3 3
17 2 2 3,57 3,56 3,36 3,56 3,26 3,54 3 3
18 1 2 3,43 2,65 2,61 2,75 3,1 2,25 3 3
19 1 2 3,45 3,48 3,33 3,44 3,11 3,17 2 3
20 1 2 3,67 3,48 3,65 3,75 3,75 3,93 3 2
21 1 1 3,77 3,6 3,66 3,7 3,31 3,5 1 3
22 2 2 3,86 3,39 3,33 3,35 3,31 3,75 3 3
23 1 2 3,43 3,14 2,84 3,18 2,92 3,22 3 3
24 1 2 3,6 3,64 3,31 3,45 3,22 3,35 3 3
25 1 2 3,83 3,77 3,29 3,1 2,76 3,18 3 3
26 2 2 3,7 3,31 3,43 3,65 3,56 3,36 1 3
27 2 2 3,5 3,25 3 3,25 2,72 3,7 3 3
28 1 2 3,48 3,5 3,7 3,81 3,7 3,77 2 2
29 2 2 3,26 3,16 3,18 2,9 2,89 2,41 3 3
30 1 2 3,36 3,21 3,1 3,33 3,07 3,02 3 3
31 2 2 3,17 2,96 3,6 3,81 3,61 3,76 2 2
32 2 2 3,5 3,54 3,39 3,1 3,11 3,34 3 3
33 2 2 3,48 3 3,39 3,54 2,86 3,25 3 3
34 2 2 3,31 3,27 3,02 3,6 3,3 3,27 3 3
35 1 1 3,65 3,9 3,72 3,67 3,65 3,89 1 2
36 1 2 3,67 3,54 3,85 3,65 3,89 3,64 2 2
37 2 2 3,6 3,54 3,34 3,4 2,64 3,7 3 3
38 2 2 3,55 3,16 3,38 3,14 2,92 3,55 3 3
39 2 1 3,6 3,48 3,44 3,52 3,61 3,42 2 3
52
Lanjutan Tabel 4.4 No Jenis
Kelamin
Jalur
Masuk IP1 IP2 IP3 IP4 IP5 IP6 Kategori Predict
40 1 2 3,5 3,25 3,15 2,98 3 3,23 3 3
41 2 2 3,67 3,23 3,57 3,27 3,29 3,38 3 3
42 1 2 3,43 3,35 3,48 3,6 3,27 3,26 3 3
43 1 2 3,21 3,25 2,96 2,52 3 2,95 3 3
44 1 2 3,69 3,07 3,33 3,48 3,25 3,43 3 3
45 2 1 3,48 3,33 3,74 3,85 3,7 3,5 2 2
46 1 2 3,45 3,1 3,35 3,38 3,08 3,57 3 3
47 1 2 3,6 3 3,15 3,07 2,61 3,32 3 3
48 1 2 3,43 3,11 3 3,21 3,13 2,29 3 3
49 1 2 3,6 3,55 3,26 3,04 3,55 3,65 3 3
50 2 2 3,83 3,44 3,3 3,56 3,25 3,37 3 3
51 1 2 3,71 3,38 3,52 3,48 3,25 3,72 3 3
52 1 2 3 3,02 2,66 3,07 2,26 2,67 3 3
53 1 2 3 2,75 3,43 3,34 3,28 3,21 3 3
54 1 2 2,88 2,3 2,78 3,39 3 2,85 3 3
55 1 2 3,1 2,66 2,6 2,98 3,04 3,28 3 3
56 2 2 3,45 3,21 3,43 3,62 2,85 3,5 3 3
57 1 2 3,77 3,27 3,38 3,48 3,44 2,93 1 1
58 2 1 3,4 3,07 3,8 3,65 3,83 3,67 2 2
59 1 2 3,5 3,39 3,72 3,69 3,89 3,81 2 2
60 2 2 3,4 3,2 3,74 3,44 2,93 3,57 3 3
61 2 2 3,07 3,33 3,32 3,31 3,26 3,46 3 3
62 1 2 3,62 3,67 3,85 3,83 3,89 3,86 3 2
63 2 2 3,48 3,27 3,65 3,71 3,74 3,78 2 2
64 1 2 3,67 3,36 3,54 3,71 3,52 3,59 2 3
65 1 1 3,81 3,81 3,7 3,56 3,67 3,91 2 2
66 1 2 3,24 3,22 3,35 3,19 3,54 2,96 3 3
67 1 2 3,29 2,24 2,32 2,86 2,68 2,69 3 3
68 2 2 3,76 3,71 3,74 3,62 3,02 3,72 3 3
69 1 2 3,83 3,57 3,69 3,65 3,91 3,79 2 2
70 2 2 3,17 3,23 3,08 3,04 3,07 3,48 3 3
71 1 2 3,4 2,8 3,38 3,11 3,39 3,19 3 3
72 2 1 3,21 3,19 3,46 3,31 3,22 3,35 2 3
73 1 2 3,71 3,59 3,52 3,65 3,43 3,92 2 3
74 1 2 3,71 3,31 2,98 3,37 3,17 3,11 3 3
75 2 2 3,5 3,5 3,63 3,73 3,67 3,74 2 2
76 2 2 3,6 3,35 3,48 3,13 3,52 3,52 3 3
77 1 2 3,43 3,09 3,48 3,6 3,3 3,38 3 3
78 2 2 3,57 3,43 3,37 2,6 3,16 3,55 3 3
Lanjutan Tabel 4.4 No Jenis
Kelamin
Jalur
Masuk IP1 IP2 IP3 IP4 IP5 IP6 Kategori Predict
79 1 2 3,5 3,6 3,27 2,95 3,45 2,91 3 3
80 1 2 3,55 3,11 3,52 3 3,47 3,82 3 3
81 2 2 3,43 3,38 3,48 3,5 3,41 3,7 3 3
82 1 2 3,57 3,35 2,83 2,41 2,45 3,18 3 3
83 1 2 3,29 3,02 2,05 2,5 1,29 2,39 3 3
84 2 2 3,02 3,02 3,65 3,67 3,74 3,69 2 2
85 1 2 3,62 3,92 3,65 3,12 2,42 3,38 3 3
86 1 2 3,36 3,35 3,35 3,35 3,08 3,09 3 3
87 1 1 3,62 2,81 3,09 3,23 2,61 2,7 3 3
88 1 2 3,67 3,52 3,48 3,65 3,74 3,57 3 3
89 1 2 3,62 3,83 3,9 3,76 3,7 3,73 2 2
90 1 2 3,62 3,52 3,61 3,79 3,48 3,24 3 3
Pada kolom variabel independen, kode 1 untuk kategori cepat, 2 untuk kategori tepat, dan 3 untuk kategori lambat. Dari data tersebut dilakukanlah klasifikasi menggunakan model regresi logistik multinomial sehingga diperoleh hasil klasifikasi mahasiswa seperti ditunjukkan dalam Tabel 4.5.
Tabel 4.5 Hasil Klasifikasi Mahasiswa
No Lama_Studi Predict
1 3 3
2 1 3
3 3 3
4 2 2
5 3 3
6 2 2
7 2 2
8 3 3
9 3 3
10 2 2
11 3 3
12 1 3
13 2 3
14 3 3
15 3 3
16 3 3
17 3 3
54
Lanjutan Tabel 4.5
No Lama_Studi Predict
18 3 3
19 2 3
20 3 2
21 1 3
22 3 3
23 3 3
24 3 3
25 3 3
26 1 3
27 3 3
28 2 2
29 3 3
30 3 3
31 2 2
32 3 3
33 3 3
34 3 3
35 1 2
36 2 2
37 3 3
38 3 3
39 2 3
40 3 3
41 3 3
42 3 3
43 3 3
44 3 3
45 2 2
46 3 3
47 3 3
48 3 3
49 3 3
50 3 3
51 3 3
52 3 3
53 3 3
54 3 3
55 3 3
56 3 3
Lanjutan Tabel 4.5
No Lama_Studi Predict
57 1 1
58 2 2
59 2 2
60 3 3
61 3 3
62 3 2
63 2 2
64 2 3
65 2 2
66 3 3
67 3 3
68 3 3
69 2 2
70 3 3
71 3 3
72 2 3
73 2 3
74 3 3
75 2 2
76 3 3
77 3 3
78 3 3
79 3 3
80 3 3
81 3 3
82 3 3
83 3 3
84 2 2
85 3 3
86 3 3
87 3 3
88 3 3
89 2 2
90 3 3
56
Hasil dari prediksi menggunakan regresi logistik multinomial dengan 90 data meghasilkan kategori waktu kelulusan Cepat, Tepat dan Lambat. ditunjukan pada gambar 4.9 menunjukkan hasil berikut:
Gambar 4.9 Hasil Prediksi
Penentuan hasil uji dari confusion matrix diperlukan nilai dari TP, TN, FP, FN dimana sebelumnya nilai-nilai tersebut didapatkan dari hasil klasifikasi yang ditunjukkan pada gambar 4.9. Perhitungan accuracy berupa accuracy, precision, dan recall pada confusion matrix diperlukan semua nilai yang saling berkaitan yaitu TP, TN, FP, FN dimana nilai tersebut dilakukan dengan menghitung per kelas.
Berikut pemaparan masing-masing kelas:
1. Kategori Cepat
Tabel 4.6 Multiclass Confusion Matrix untuk Kategori Cepat
Prediksi
Cepat Tepat Lambat
Aktual
Cepat TP FN FN
Tepat FP TN TN
Lambat FP TN TN
TP = 1
TN = 16 + 2 + 6 + 60 = 84
FP = 1 + 4 = 5
FN = 0 + 0 = 0
2. Kategori Tepat
Tabel 4.7 Multiclass Confusion Matrix untuk Kategori Tepat
Prediksi
Cepat Tepat Lambat
Aktual
Cepat TN FP TN
Tepat FN TP FN
Lambat TN FP TN
TP = 16
TN = 1 + 0 + 4 + 60 = 65
FP = 0 + 6 = 6
FN = 1 + 2 = 3 3. Kategori Lambat
Tabel 4.8 Multiclass Confusion Matrix untuk Kategori Lambat
Prediksi
Cepat Tepat Lambat
Aktual
Cepat TN TN FN
Tepat TN TN FN
Lambat FP FP TP
TP = 60
TN = 1 + 0 + 1 + 16 = 18
FP = 4 + 6 = 10
FN = 0 + 2 = 2
Kalkulasi nilai TP, TN, FP, dan FN dari hasil klasifikasi multiclass terdapat pada tabel 4.9 di bawah.
58
Tabel 4.9 Kalkulasi Multiclass Confusion Matrix Kategori
Confusion Matrix
TP TN FP FN
Cepat 1 84 5 0
Tepat 16 65 6 3
Lambat 60 18 10 2
Total 77 167 21 5
Kemudian untuk perhitungan accuracy menggunakan persamaan (4.1.4.1) sebagai berikut :
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =77
90 = 0.855 = 85.5%
Perhitungan precision ditunjukkan pada persamaan (4.1.4.2) sebagai berikut:
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 77
77 + 21 = 0.785 = 78.5%
Perhitungan Recall ditunjukkan pada persamaan (4.1.4.3) sebagai berikut:
𝑅𝑒𝑐𝑎𝑙𝑙 = 77
77 + 5 = 0.939 = 93.9%
Pada perhitungan Micro F1 yang dapat diartikan sebagai rata-rata dari nilai precision dan recall dimana perhitungan Micro F1 ditunjukkan pada persamaan (4.1.4.4) sebagai berikut:
𝑀𝑖𝑐𝑟𝑜 𝐹1 = 2 (0.785 𝑥 0.939)
(0.785 + 0.855)= 0.898 = 89.8%
Berdasarkan hasil evaluasi sistem dalam melakukan prediksi kategori kelulusan mahasiswa menggunakan metode regresi logistik multinomial menunjukkan nilai accuracy sebesar 85,5% precision sebesar 78,5%, nilai recall
sebesar 93,9%, nilai micro F1 sebesar 89,8%. Nilai accuracy 85,5% menunjukkan sistem dapat melakukan klasifikasi dengan baik.