BAB 4 HASIL PEMBAHASAN
4.1.1. Baca Data Training
Untuk menentukan data yang nantinya akan dianalisis dengan metode Naive Bayes maka langkah pertama yang dilakukan adalah membaca data latih. Adapun data latih yang digunakan dapat dilihat pada gambar 1.
Gambar 4.1 Data Training Naïve Bayes
4.1.2.Pengujian Metode Naïve Bayes
Dari nilai probabilitas di atas akan diuji data sebanyak 60 data dan diselesaikan dengan menggunakan tools weka sehingga dihasilkan hasil klasifikasi seperti pada gambar 4.2.
Gambar 4.2 Hasil Pengolahan Naïve Bayes
4.2 Penerapan Metode SSVM
Untuk menentukan data yang nantinya akan dianalisis dengan metode SSVM maka langkah pertama yang dilakukan adalah membaca data latih. Adapun data latih yang digunakan dapat dilihat pada table 4.1.
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
71.00 65.00 55.00 76.00 71.00 4.00 4.00 1.00 2 -1 55.00 51.00 32.00 56.00 67.00 1.00 4.00 1.00 2 -1 43.00 43.00 31.00 34.00 72.00 1.00 4.00 1.00 1 -1 61.00 62.00 54.00 31.00 54.00 1.00 4.00 1.00 1 1 41.00 32.00 32.00 53.00 43.00 1.00 4.00 1.00 1 -1 52.00 54.00 43.00 41.00 65.00 2.00 2.00 1.00 2 -1 57.00 57.00 42.00 53.00 52.00 1.00 4.00 1.00 2 -1 58.00 58.00 53.00 55.00 66.00 1.00 4.00 1.00 2 -1 54.00 54.00 43.00 60.00 31.00 2.00 3.00 1.00 1 -1
68.00 69.00 45.00 71.00 68.00 1.00 4.00 1.00 2 1
Tabel 4.1 Data Latih Metode SSVM 4.2.1 Proses Training 1
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.2
69.00 70.00 43.00 61.00 63.00 1.00 4.00 1.00 2 1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.3.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.4
Tabel 4.4 Hasil Training Percobaan Kedua
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
58.00 58.00 53.00 55.00 66.00 1.00 4.00 1.00 2 -1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.5.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.6
Tabel 4.6 Hasil Training Percobaan Ketiga
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
71.00 65.00 55.00 76.00 71.00 4.00 4.00 1.00 2 -1 55.00 51.00 32.00 56.00 67.00 1.00 4.00 1.00 2 -1
43.00 43.00 31.00 34.00 72.00 1.00 4.00 1.00 1 -1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.7.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.8
Tabel 4.8 Hasil Training Percobaan Keempat
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.9.
Tabel 4.9 Proses Testing 4
52.00 54.00 43.00 41.00 65.00 2.00 2.00 1.00 2
45.00 61.00 36.00 45.00 53.00 1.00 4.00 1.00 1 69.00 44.00 45.00 69.00 56.00 1.00 4.00 1.00 2
4.2.9 Proses Training 5
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.10
Tabel 4.10 Hasil Training Percobaan Kelima
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.11.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.12
Tabel 4.12 Hasil Training Percobaan Keenam
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
72.00 55.00 54.00 72.00 64.00 4.00 3.00 1.00 2 1 57.00 34.00 32.00 57.00 53.00 1.00 4.00 1.00 1 -1 67.00 24.00 42.00 67.00 67.00 1.00 4.00 1.00 1 1
4.2.12 Proses Testing 6
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.13.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.14
Tabel 4.14 Hasil Training Percobaan Ketujuh
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
68.00 68.00 36.00 68.00 48.00 1.00 4.00 1.00 1 -1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.14.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.15
Tabel 4.15 Hasil Training Percobaan Kedelapan
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
61.00 61.00 32.00 57.00 65.00 1.00 4.00 1.00 2 -1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.16.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.17
Tabel 4.17 Hasil Training Percobaan Kesembilan
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
57.00 57.00 42.00 53.00 52.00 1.00 4.00 1.00 2 -1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.18.
Pertama-tama training dilakukan dengan metode Smooth Support Vector Machine seperti pada tabel 4.19
Tabel 4.19 Hasil Training Percobaan Kesepuluh
X1 X2 X3 X4 X5 X6 X7 X8 X9 y
71.00 65.00 55.00 76.00 71.00 4.00 4.00 1.00 2 -1
55.00 51.00 32.00 56.00 67.00 1.00 4.00 1.00 2 -1
Pada tahap pengujian dilakukan pengujian terhadap data latih. proses pengujian dengan menggunakan 20% dari hasil data latih yang dilakukan dengan metode SSVM seperti pada tabel 4.20.
Hasil pengujian dari 10 kali percobaan di atas dapat ditampilkan pada tabel 4.21 berikut ini. Pada tabel tersebut ditampilkan persentase nilai akurasi untuk masing – masing training dan testing. Nilai pengujian dan pelatihan didapat dari penghitungan sebagai berikut :
Untuk Training :
Tingkat akurasi (%) =jumlah pola yang dikenali
jumlah pola Training x 100 % Untuk Testing
Tingkat akurasi (%) =jumlah pola yang dikenali
jumlah pola Testin g x 100 % :
Tabel 4.21 Persentase Hasil Training dan Testing Data Dalam 10 Kali Percobaan Percobaan X1 X2 X3 Akurasi
Pada tabel diatas X1, X2, X3 merupakan baris yang digunakan untuk testing dimana:
1. Fold01, pada proses testing fold01 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 14, baris 18, baris 23.
2. Fold02, pada proses testing fold02 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 21, baris 20, baris 10.
3. Fold03, pada proses testing fold03 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 30, baris 16, baris 4.
4. Fold04, pada proses testing fold04 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 26, baris 6, baris 32.
5. Fold05, pada proses testing fold05 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 8, baris 3, baris 17.
6. Fold06, pada proses testing fold06 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 1, baris 7, baris 29.
7. Fold07,pada proses testing fold07 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 5, baris 22, baris 23
8. Fold08, pada proses testing fold08 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 24, baris 27, baris 19 9. Fold09, pada proses testing fold09 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 12, baris 9, baris 25.
10. Fold10, pada proses testing fold10 menggunakan 4 baris data terhadap data latih.
proses training dan proses testing dilakukan pada baris 15, baris 11, baris 13.
BAB 5
KESIMPULAN DAN SARAN 5.1. Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut :
1. Proses pengelompokan dengan metode SSVM memperoleh rata – rata akurasi pelatihan sebanyak 99.70% dan rata – rata pengujian sebanyak 93.67%.
2. Proses pengelompokan dengan algoritma Naive Bayesmemperoleh rata – rata akurasi sebanyak 99.40% .
3. Metode SSVM memberikan akurasi yang lebih baik dari pada Metode Naïve Bayes dalam dalam pengelompokan penyakit.
5.2. Saran
Adapun beberapa saran dalam perkembangan tesis ini dimana dengan menggunakan Metode Naïve bayes dan Smooth Support Vector Machine sebagai suatu pengujian dalam model pengaturan yang ada maka dengan ini ada beberapa saran untuk perkembangan tesis ini, antara lain :
Penggunaan metode Naïve Bayes dan smooth support vector machine dapat diterapkan pada penelitian selanjutnya dalam bidang kesehatan untuk mengklasifikasi jenis penyakit lainnya.
DAFTAR PUSTAKA
Andari, S., 2012, Smooth Support Vector Machine dan Multivariate Adaptive Regression Splines Untuk Mendiagnosis Kanker Payudara, Tesis, Mahasiswa Jurusan Statistika Fakultas MIPA ITS, Surabaya.
Erdogan, S.Z. dan M. Timor. 2005. A Data Mining Application In A Student Database. Journal Of Aeronautics And Space Technologies. Volume 2 Number 2: 53-57.
Furqan,M.,Embong, A.(2009). Smooth Support Vector Machine For FaceRecognition Using Principal Component Analysis, International Journal of Science Engineering and Technology2(3): 1985-3785.
Garcia, E.P.I. dan P.M. Mora. 2011. Model Prediction of Academic Performance for First Year Students. IEEE Computer Society.
Gunn, S. 1998.Support Vector Machines for Clasification and Regression, Technical Report, ISIS4(3): 1985-3785..
Habibi, R. 2011. Penerapan Teknik Data Mining dengan Metode Smooth Support Vector Machine (SSVM) untuk memprediksi mahasiswa yang berpeluang drop out (studi kasus mahasiswa politeknik negeri medan). Tesis. Universitas Sumatera Utara.
Han, Jiawei.& Kamber, Micheline. 2000. Data Mining : Concepts and Techniques, Morgan Kaufmann Publishers, Urbana-Champaign
Hien, N.T.N. dan P. Haddawy. 2007. A Decision Support System for Evaluating International Student Applications. IEEE Frontiers in Education Conference.
Huang, C.M., Lee, Y.J., Lin, D.K.J. & Huang, S.Y. (2007), Model selection for support vector machine via uniform design, Computational Statistics and Data Analysis52: 335-346.
Kabakchieva, D. 2012. Student Performance Prediction by Using Data Mining Classification Algorithms. IJCSMR. Vol 1 Issue 4: 686-690.
Lee, Y.J. & Mangasarian, O.L. 2001. A smooth support vector machine, Jurnal Computational Optimization and Application20: 5-22.
Luo, L., Lin, C., Peng, H. & Zhou, Q. 2006. A Study on Piecewise Polynomial Smooth Approximation to the Plus Function,In proceedings of the ICARCV 1:
1- 6.
Mangasarian, O.L., & Musicant, D.R. 1999. Succesive overrelaxation for support vector machines, IEEE Transactions on Neural Network, 10: 1032 – 1037.
Nithya, R., & Santhi, B. 2011. Classification of Normal and Abnormal Patterns in Digital Mammograms for Diagnosis of Breast Cancer. International Journal of Computer Applications28(6): 0975 – 8887.
Ogor, E.N. 2007. Student Academic Performance Monitoring and Evaluation Using Data Mining Techniques. IEEE Computer Society.
Putra, D. 2009. Sistem Biometrika Konsep Dasar, Teknik Analisis Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika. Yogyakarta: Andi.
Purwitasari, D. 2011.Implementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara. Surabaya: Kampus ITS.
Purnami, S.W., Embong, A., Zain, J.M., & Rahayu, S.P. 2009. A Comparison of Smoothing Function In Smooth Support Vector Machine, will be presented in International Conference on Software Engineering & Computer Systems.
Purnami, S.W., Embong, A., Zain, J.M., & Rahayu, S.P. 2009. A New Smooth Support Vector Machine and Its Applications in Diabetes Disease Diagnosis, Journal of Computer Science 5(12): 1003-1008.
Shovon, Md.H.I. dan M. Haque. 2012. Prediction of Student Academic Performance by an Application of K-Means Clustering Algorithm. IJARCSSE. Volume 2 Issue 7: 353-355.
Suhatinah, M.S. dan Ernastuti. 2010. Graduation Prediction of Gunadarma University Students Using Naive Bayes Algorithm and C4.5 Algorithm.
http://papers.gunadarma.ac.id/files/journals/3/articles/816/public /816-2182-1-PB.pdf. 13 Maret 2013.
Yuan, Y., & Huang, T. 2005. A Polynomial Smooth Support Vector Machine forClassification, Springer-Verlag, Berlin Heidelberg, 3584: 157-164.
Yuan, Y., Yan J., & Xu, C. 2005, Polynomial Smooth Support Vector Machine (PSSVM), Chinese Journal of Computers, 28: 9-17.
Yuan, Y., Fan, W., & Pu, D. 2007. Spline Function Smooth Support Vector Machine For Clasification, Journal of Industrial and Management Optimization3(3):
529 – 542.