4.1. Hasil
Setiap proses yang telah dijelaskan pada sub bab sebelumnya diimplementasi dengan menggunakan bahasa pemograman MATLAB® untuk mempermudah perhitungan dan proses analisa dari metode yang diusulkan. Adapun hasil output dari pengujian terhadap dataset ionosphare dapat dilihat pada gambar 4.1.
Gambar 4.1. Output Akurasi Pengujian Pada Dataset Ionosphare
Adapun hasil output dari pengujian terhadap dataset wine dapat dilihat pada gambar 4.2.
Gambar 4.2. Output Akurasi Pengujian Pada Dataset Wine
20
Adapun hasil output dari pengujian terhadap dataset Glass Identification dapat dilihat pada gambar 4.3.
Gambar 4.3. Output Akurasi Pengujian Pada Dataset Glass Identification
Adapun hasil output dari pengujian terhadap dataset Haberman dapat dilihat pada gambar 4.4.
Gambar 4.4. Output Akurasi Pengujian Pada Dataset Haberman
21
Adapun hasil output dari pengujian terhadap dataset Hayes-roth dapat dilihat pada gambar 4.5.
Gambar 4.5. Output Akurasi Pengujian Pada Dataset Hayes-roth
4.2. Pengujian
Pengujian dilakukan dengan menggunakan beberapa data yang didapat dari UCI Repository. Pada saat pengujian, sebanyak 85% dari data akan dijadikan sebagai data latih dan sebanyak 15% dari data akan dijadikan data uji yang dilakukan secara random. Pengujian ini bertujuan untuk melihat kinerja dari metode yang diusulkan.
Pengukuran kinerja pada penelitian ini dilihat berdasarkan dari hasil akurasi yang didapati dari setiap metode yang digunakan.
4.2.1. Pengujian Terhadap Dataset Ionosphare
Pengujian pertama dilakukan menggunakan dataset ionosphere, dimana dataset ini berjumlah 351 record dengan 34 atribut dan terdiri dari 2 kelas data. Pada pengujian menggunakan dataset ionosphere ini, data latih berjumlah 298 data, dan data uji berjumlah 53 data. Adapun rincian data latih dan data uji yang digunakan dapat dilihat pada tabel 4.2.
22
Tabel 4.2. Rincian Data Ionosphare Yang digunakan Data Latih
Selanjutnya dilakukan perhitungan jarak antara data latih dan data uji menggunakan model jarak Euclaudien (persamaan 2.10). Adapun jarak yang dihasilkan dapat dilihat pada tabel 4.3. Selanjutnya dilakukan pengurutan jarak antar data secara ascending, adapun urutan jarak terdekat antar data dapat dilihat pada tabel 4.4.
Tabel 4.3. Jarak Antara Data Pada Dataset Ionosphare
Data Uji Data Latih
23
Tabel 4.4. Urutan Jarak Terdekat Pada Dataset Ionosphare Data
Untuk K-NN tradisional akan ditentukan kelas mayoritasnya berdasarkan K tetangga terdekat dan akan menjadian kelas mayoritas sebagai kelas bagi data uji, sedangkan tahap selanjutnya untuk LMKNN akan menghitung local mean vector sebanyak K tetangga terdekat untuk setiap kelas data, dan akan menjadikan jarak data uji ke local mean vector terdedat sebagai kelas bagi data uji, adapun hasil yang didapati dari K-NN tradisional, LMKNN, dan Metode yang diusulkan dapat dilihat pada tabel 4.5.
Tabel 4.5. Perbandingan Akurasi Pada Dataset Ionosphare
No K Akurasi
K-NN Konvensioanl LMKNN Metode yang diusulkan
1 1 81.13% 81.13% 81.13%
24
81.13% 84.91% 84.91% 86.79% 86.79% 86.79% 86.79% 86.79%
81.13% 81.13%
86.79%
84.91% 86.79% 86.79% 86.79% 88.68% 88.68% 88.68%
84.91% 88.68% 88.68% 88.68% 88.68% 88.68% 88.68% 88.68%
76.00%
K-NN Tradisional LMKNN Metode Yang Diusulkan
Adapun grafik yang dihasilkan dari perbadingan akurasi K-NN konvesional, LMKNN serta metode yang diusulkan dapat dilhat pada gambar 4.6.
Gambar 4.6. Grafik Perbandingan Akurasi Pada Dataset Ionosphare
Merujuk dari tabel 4.5 dan gambar 4.6 terlihat bahwa nilai akurasi yang dihasilkan dari metode yang diusulkan tidak pernah sekalipun berada dibawah dari nilai akurasi yang dihasilkan oleh K-NN tradisional dan LMKNN. Nilai akurasi terendah yang dihasilkan dari metode yang diusulkan adalah sebesar 81.13% yaitu pada saat K bernilai 1, sedangkan pada K-NN tradisional dan LMKNN nilai akurasi terendah dihasilkan sebesar 81.13% saat K bernilai 1 dan 2. Nilai Tertinggi yang dihasilkan oleh metode yang diusulkan adalah sebesar 88.68% saat K bernilai 2 sampai dengan K bernilai 10, sedangkan K-NN konvensioanl hanya mampu menghasilkan nilai akurasi tertinggi sebesar 86.79% saat K bernilai 3,6,7,8,9, dan 10, dan pada LMKNN nilai akurasi tertinggi yang dicapai sebesar 88.68% saat K bernilai 8,9 dan 10.
4.2.2. Pengujian Terhadap Dataset Wine
Pengujian selanjutnya menggunakan dataset wine, dimana dataset merupakan salah satu dataset yang populer. Data set ini ini berjumlah 178 record dengan 13 atribut dan terdiri dari 3 kelas data. Pada pengujian ini, data latih berjumlah 151 data, dan data uji
25
berjumlah 27 data. Adapun rincian dari data yang digunakan sebagai data latih dan data uji dapat dilihat pada tabel 4.6 dan tabel 4.7.
Tabel 4.6. Rincian Data Latih Wine Yang digunakan Data Latih
No Id X1 X2 … X13 Kelas
1 L1 12.72 1.81 … 714 2
2 L2 13.63 1.81 … 1310 1
3 L3 13.78 2.76 … 615 3
4 L4 13.72 1.43 … 1285 1
5 L5 13.90 1.68 … 985 1
6 L6 12.37 1.13 … 420 2
… … … … … … …
151 L151 11.82 1.72 … 415 2
Tabel 4.7. Rincian Data Uji Wine Yang digunakan Data Uji
No Id X1 X2 … X4 Kelas
1 U1 11.79 2.13 … 466 2
2 U2 12.79 2.67 … 480 3
3 U3 11.76 2.68 … 607 2
… … … … … … …
27 U27 14.19 1.59 … 1680 1
Selanjutnya dilakukan perhitungan jarak antara data latih dan data uji menggunakan model jarak Euclaudien dengan menggunakan persamaan 2.10. Adapun jarak yang dihasilkan dapat dilihat pada tabel 4.8. Selanjutnya dilakukan pengurutan jarak antar data secara ascending, adapun urutan jarak terdekat antar data dapat dilihat pada tabel 4.9.
Tabel 4.8. Jarak Antara Data Pada Dataset Wine
Data Uji Data Latih
L1 L2 L3 L4 L5 … L281
U1 248.27 844.33 149.33 819.26 519.25 … 52.16
U2 235.58 830.03 136.79 805.05 505.19 … 70.63
U3 108.37 703.08 16.67 678.04 378.05 … 192.77
… … … … … … … …
U27 966.27 370.03 1065.18 395.01 695.04 … 1265.22
26
Tabel 4.9. Urutan Jarak Terdekat Pada Dataset Wine Data
Uji
Urutan Jarak Terdekat
1st 2nd 3rd 4th 5th … 120th
U1 L147 L10 L24 L12 L15 … 128
U2 L85 L69 L10 L49 L12 … 128
U3 L51 L55 L3 L96 L109 … 128
… … … … … … … …
U27 L128 L46 L66 L57 L78 … L10
Untuk K-NN tradisional akan ditentukan kelas mayoritasnya berdasarkan K tetangga terdekat dan akan menjadian kelas mayoritas sebagai kelas bagi data uji, sedangkan tahap selanjutnya untuk LMKNN akan menghitung local mean vector sebanyak K tetangga terdekat untuk setiap kelas data, dan akan menjadikan jarak data uji ke local mean vector terdedat sebagai kelas bagi data uji, adapun hasil yang didapati dari K-NN tradisional, LMKNN, dan Metode yang diusulkan dapat dilihat pada tabel 4.10.
Tabel 4.10. Perbandingan Akurasi Pada Dataset Wine
No K Akurasi
K-NN Konvensioanl LMKNN Metode yang diusulkan
1 1 77.78% 77.78% 77.78%
2 2 77.78% 74.07% 81.48%
3 3 77.78% 77.78% 81.48%
4 4 74.07% 77.78% 85.19%
5 5 74.07% 81.48% 81.48%
6 6 70.37% 77.78% 81.48%
7 7 77.78% 74.07% 81.48%
8 8 74.07% 74.07% 81.48%
9 9 74.07% 74.07% 81.48%
10 10 74.07% 74.07% 81.48%
AVG 75.19% 76.30% 81.48%
Adapun grafik yang dihasilkan dari perbadingan akurasi K-NN konvesional, LMKNN serta metode yang diusulkan dapat dilhat pada gambar 4.7.
27
Gambar 4.7 Grafik Perbandingan Akurasi Pada Dataset Wine
Merujuk dari tabel 4.10 dan gambar 4.7 terlihat bahwa nilai akurasi yang dihasilkan dari metod yang diusulkan tidak pernah sekalipun berada dibawah dari nilai akurasi yang dihasilkan oleh K-NN tradisional dan LMKNN. Nilai akurasi terendah yang dihasilkan dari metode yang diusulkan adalah sebesar 77.78% yaitu pada saat K bernilai 1, pada K-NN tradisional nilai akurasi terendah yang dihasilkan sebesar 70.37% saat K bernilai 6 dan pada LMKNN nilai akurasi terendah yang dihasilkan sebesar 74.07% saat K bernilai 2, 7, 8, 9 dan 10. Nilai Tertinggi yang dihasilkan oleh metode yang diusulkan adalah sebesar 85.19% saat K bernilai 4, pada K-NN hanya mampu menghasilkan nilai akurasi tertinggi sebesar 77.78% saat K bernilai 2 dan 3, sedangkan pada LMKNN mampu mencapai nilai akurasi tertinggi sebesar 81.48%
saat K bernilai 5.
0.00%
10.00%
20.00%
30.00%
40.00%
50.00%
60.00%
70.00%
80.00%
90.00%
100.00%
1 2 3 4 5 6 7 8 9 10
A k u r a s i
Nilai K
K-NN Tradisional LMKNN Metode Yang Diusulkan
28
4.2.3. Pengujian Terhadap Dataset Glass Identification
Data set ini terdiri dari 214 sampel dengan 10 atribut dan 6 kelas, dimana sebanyak 181 data dijadiakan sebagai data latih dan 33 data dijadikan sebagai data uji. Adapun sebaran dari data ini dapat dilihat pada tabel 4.11 dan 4.12.
Tabel 4.11. Rincian Data Latih Glass Identification
No Id X1 X2 X3 X4 … X10 Kelas
1 L1 1.52 14.00 2.39 1.56 … 0.00 6
2 L2 1.52 13.29 3.45 1.21 … 0.00 1
3 L3 1.52 14.86 2.20 2.06 … 0.00 7
4 L4 1.52 14.80 0.00 1.99 … 0.00 7
5 L5 1.52 13.92 3.52 1.25 … 0.07 2
6 L6 1.52 14.23 0.00 2.08 … 0.00 7
7 L7 1.52 13.60 3.62 1.11 … 0.00 1
8 L8 1.52 13.00 3.58 1.54 … 0.00 2
9 L9 1.51 14.25 3.09 2.08 … 0.00 2
10 L10 1.52 13.72 3.72 0.51 … 0.08 1
… … … … … … … … …
181 L181 1.5 13.36 3.43 1.43 … 0.00 2
Tabel 4.12. Rincian Data Uji Glass Identification
No Id X1 X2 X3 X4 … X20 Kelas
1 U1 1.5 13.81 3.58 1.32 … 0.0 1
2 U2 1.5 12.68 3.67 1.16 … 0.0 1
3 U3 1.5 13.99 3.70 0.71 … 0.1 1
4 U4 1.5 13.72 0.00 0.56 … 0.0 2
5 U5 1.5 12.69 3.54 1.34 … 0.0 1
6 U6 1.5 13.46 3.83 1.26 … 0.1 2
7 U7 1.5 13.31 3.58 0.82 … 0.0 1
8 U8 1.5 14.36 3.85 0.89 … 0.0 1
… … … … … … … … …
33 U634 1.5 14.56 0.00 1.98 … 0.0 7
Dengan menggunakan model jarak Euclaudien (persamaan 2.10) dilakukan perhitungan jarak antara data uji dan data latih. Adapun jarak yang dihasilkan dapat dilihat pada tabel 4.13, kemudian berdasarkan jarak antar data dilakukan pengurutan secara ascending, adapun urutan jarak antar data dapat dilihat pada tabel 4.14.
29
Tabel 4.13. Jarak Antara Data Pada Dataset Glass Identification
Data Uji Data Latih
Tabel 4.14. Urutan Jarak Terdekat Pada Dataset Glass Identification Data
Pada K-NN tradisional penentuan kelas berdasarkan pada sistem vote majority sebanyak K tetangga terdekat, dimana kelas mayoritas akan dijadikan sebagai kelas bagi data uji, sedangkan pada metode yang diusulkan dan LMKNN adalah dengan menghitung jarak antara data uji dan local mean vector dari setiap kelas, dimana pada metode yang diusulkan model jarak yang digunakan adalah harmonic distance dan LMKNN menggunakan model jarak euclaudien. Adapun hasil yang didapati dari dapat dilihat pada tabel 4.15.
30
Tabel 4.15. Perbandingan Akurasi Pada Dataset Glass Identification
No K Akurasi
K-NN Konvensioanl LMKNN Metode yang diusulkan
1 1 78.13% 60.61% 76.67% yang diusulkan dapat dilihat pada gambar 4.8.
Gambar 4.8 Grafik Perbandingan Akurasi Pada Dataset Glass Identification
Merujuk dari tabel 4.15 dan gambar 4.8 terlihat bahwa nilai akurasi dari pada K-NN tradisional mampu mencapai nilai akurasi tertinggi sebesar 90.32% saat K bernilai 5 dan nilai akurasi terendah didapati saat K bernilai 1 dan 2, yaitu sebesar 78.13%. Pada LMKNN nilai akurasi terendah yang dihasilkan adalah sebesar 60.61%
yaitu pada saat K bernilai 1 dan untuk nilai akurasi tertinggi didapati pada saat K
K-NN Tradisional LMKNN Metode Yang Diusulkan
31
bernilai 4 sampai dengan 10, yaitu sebesar 72.73%, sedangkan pada metode yang diusulkan nilai akurasi terendah yang dihasilkan sebesar 76.67% saat K bernilai 1 dan nilai Tertinggi yang dihasilkan adalah sebesar 90.00% saat K bernilai 7 sampai dengan 10.
4.2.4. Pengujian Terhadap Dataset Haberman
Pengujian selanjutnya dengan menggunakan dataset haberman. Data set ini terdiri dari 306 sampel dengan 3 atribut dan 2 kelas. Adapun rincian dari data haberman yang digunakan sebagai data latih dapat dilihat pada tabel 4.16 dan rincian data uji dapat dilihat pada tabel 4.17.
Tabel 4.16. Rincian Data Latih Haberman
No Id X1 X2 X3 Kelas
Tabel 4.17. Rincian Data Uji Haberman
No Id X1 X2 X3 Kelas
32
Dengan menggunakan model jarak Euclaudien (persamaan 2.10) dilakukan perhitungan jarak antara data uji dan data latih. Adapun jarak yang dihasilkan dapat dilihat pada tabel 4.18, kemudian berdasarkan jarak antar data dilakukan pengurutan secara ascending, adapun urutan jarak antar data dapat dilihat pada tabel 4.19.
Tabel 4.18. Jarak Antara Data Pada Dataset Haberman
Data Uji Data Latih
Tabel 4.19. Urutan Jarak Terdekat Pada Dataset Haberman Data
Tahapan selanjutnya pada K-NN tradisional penentuan kelas berdasarkan pada sistem vote majority sebanyak K tetangga terdekat, dimana kelas mayoritas akan dijadikan sebagai kelas bagi data uji, sedangkan pada metode yang diusulkan dan LMKNN adalah dengan menghitung jarak antara data uji dan local mean vector dari setiap kelas, dimana pada metode yang diusulkan model jarak yang digunakan adalah
33
harmonic distance dan LMKNN menggunakan model jarak euclaudien. Adapun hasil yang didapati dari dapat dilihat pada tabel 4.20.
Tabel 4.20. Perbandingan Akurasi Pada Dataset Haberman
No K Akurasi
K-NN Konvensioanl LMKNN Metode yang diusulkan
1 1 76.09% 69.57% 69.57%
Adapun grafik dari nilai akurasi yang diperoleh pada dataset haberman dapat dilihat pada gambar 4.9.
Gambar 4.9 Grafik Akurasi Pada Dataset Haberman
0.00%
K-NN Tradisional LMKNN Metode Yang Diusulkan
34
Berdasarkan tabel 4.20 dan gambar 4.9 terlihat bahwa nilai akurasi yang dihasilkan dari metode yang diusulkan mampu mencapai nilai tertinggi sebesar 82.61% saat K bernilai 4 dan 5, dimana nilai akurasi K-NN tradisional hanya mampu mencapai nilai akurasi tertinggi sebesar 80.43% saat K bernilai 8, sedangkan LMKNN hanya mampu mencapai nilai akurasi tertinggi sebesar 73.91% saat K bernilai 2.
4.2.5. Pengujian Terhadap Dataset Hayes-Roth
Pengujian terakhir dengan menggunakan dataset hayes-roth. Adapun sebaran dari data hayes-roth dalam penelitian ini dapat dilihat pada tabel 4.21 untuk data latih dan 4.22 untuk data uji.
Tabel 4.21. Rincian Data Latih hayes-roth
No Id X1 X2 X3 X4 Kelas
Tabel 4.22. Rincian Data Uji hayes-roth
No Id X1 X2 X3 X4 Kelas
35
Dengan menggunakan model jarak Euclaudien (persamaan 2.10) dilakukan perhitungan jarak antara data uji dan data latih. Adapun jarak yang dihasilkan dapat dilihat pada tabel 4.23, kemudian berdasarkan jarak antar data dilakukan pengurutan secara ascending, adapun urutan jarak antar data dapat dilihat pada tabel 4.24.
Tabel 4.23. Jarak Antara Data Pada Dataset hayes-roth
Data Uji Data Latih
Tabel 4.24. Urutan Jarak Terdekat Pada Dataset hayes-roth Data
Tahapan selanjutnya pada K-NN tradisional penentuan kelas berdasarkan pada sistem vote majority sebanyak K tetangga terdekat, dimana kelas mayoritas akan dijadikan sebagai kelas bagi data uji, sedangkan pada metode yang diusulkan dan LMKNN adalah dengan menghitung jarak antara data uji dan local mean vector dari
36
setiap kelas, dimana pada metode yang diusulkan model jarak yang digunakan adalah harmonic distance dan LMKNN menggunakan model jarak euclaudien. Adapun hasil yang didapati dari dapat dilihat pada tabel 4.25.
Tabel 4.25. Perbandingan Akurasi Pada Dataset hayes-roth
No K Akurasi
K-NN Konvensioanl LMKNN Metode yang diusulkan
1 1 83.33% 83.33% 83.33%
Adapun grafik dari nilai akurasi yang diperoleh pada dataset hayes-roth dapat dilihat pada gambar 4.10.
Gambar 4.10 Grafik Akurasi Pada Dataset Haberman
0.00%
K-NN Tradisional LMKNN Metode Yang Diusulkan
37
Berdasarkan tabel 4.20 dan gambar 4.10 terlihat bahwa nilai akurasi yang dihasilkan dari metode yang diusulkan mampu mencapai nilai tertinggi sebesar 87.50% saat K bernilai 4 dan menghaisilkan nilai akurasi terendah sebesar 83.33%, dimana nilai akurasi K-NN tradisional hanya mampu mencapai nilai akurasi tertinggi sebesar 83.33% saat K bernilai 1, 2, 4, 6 dan 8, sedangkan LMKNN mampu mencapai nilai akurasi tertinggi sebesar 91.67% saat K bernilai 5.
4.3. Pembahasan
Untuk melihat dengan jelas rata-rata dari nilai akurasi yang didapati dari setiap metoda terhadap seluruh data yang digunakan dalam penelitian ini dapat dilihat pada gambar 4.11.
Gambar 4.11 Grafik Rata-rata Nilai Akurasi Dari Seluruh Data
Dari gambar 4.11. terlihat bahwa metode yang diusulkan mampu memberikan nilai akurasi yang lebih baik dari pada K-NN tradisional dan LMKNN. Dimana penigkatan nilai akurasi tertinggi terhadap K-NN tradisional didapati pada dataset wine yaitu sebesar 6.29% dan peningkatan akurasi tertinggi terhadap metode LMKNN didapati apda dataset glass identification yaitu sebesar 16.18%. Peningkatan nilai akurasi terendah antara metode yang diusulkan terhadapan K-NN tradisional yiatu sebesar 2.08% dan 1.32% untuk LMKNN, keduanya didapati pada data set
85.28% 75.19% 83.32% 76.52% 78.33%86.04% 76.30% 70.30% 64.57% 80.42%
87.36% 81.48% 86.48% 78.91% 83.75%
0.00%
Ionosphere Wine Glass Haberman Hayes-roth A
K-NN Tradisional LMKNN Metode Yang Diusulkan
38
ionosphere. Adapun peningkatan rata-rata nilai akurasi dari seluruh dataset yang digunakan adalah sebesar 3.87% untuk K-NN tradisional dan 8.07% untuk LMKNN.
Berdasarkan pengujian yang telah dilakukan terhadap seluruh data set yang digunakan terlihat bahwa metode yang diusulkan mampu memberikan nilai akurasi yang lebih baik dari pada nilai akurasi yang dihasilkan oleh K-NN tradisional dan LMKNN.