BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
1.1 Data Training
Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.Pada penelitian ini data training mempunyai presentase 80% dari 537 data siswa. Berikut merupakan tabel hasil total data training
Total Kasus Jumlah (Ya) Jumlah (Tidak)
430 133 297
4.1 Tabel total data training
Atribut yang digunakan dalam penentuan rekomendasi beasiswa adalah Jumlah Nilai, Pekerjaan Orangtua, Penghasilan Orangtua, Jumlah Saudara Kandung. Atribut tersebut juga digunakan pihak sekolah untuk menentukan siswa yang akan mendapatkan rekomendasi beasiswa.
1.2 Pemodelan Menggunakan Algoritma C4.5
Berikut ini merupakan uraian langkah-langkah perhitungan dalam algoritma C4.5 dalam penyelesaian kasus penentuan rekomendasi beasiswa yang tepat sasaran yang akan di bagi menjadi label “iya” (diterima) atau
“tidak” (tidak diterima).
a. Perhitungan Mencari Entropy
Proses pertama algoritma C4.5 adalah menentukan nilai entropy.
Langkah pertama, tentukan entropy total kasus terlebih dahulu. Rumus untuk mencari entropy dari data siswa tersebut yaitu :
Entropy (S)= 𝑛𝑖=1− pi.log2𝑝𝑖... (4.1)
Keterangan :
S = himpunan kasus n = jumlah partisi S pi = proporsi Si terhadap S Maka :
Entropy(S) = (-(𝑆𝑢𝑚 (𝑦𝑎 )𝑇𝑜𝑡𝑎𝑙 ) x log2 (𝑆𝑢𝑚 (𝑦𝑎 )𝑇𝑜𝑡𝑎𝑙 )) + (-(𝑆𝑢𝑚 (𝑡𝑖𝑑𝑎𝑘 )
𝑇𝑜𝑡𝑎𝑙 ) x log2
(𝑆𝑢𝑚 (𝑡𝑖𝑑𝑎𝑘 ) 𝑇𝑜𝑡𝑎𝑙 ))
Jadi Entropy (133,297) = (-(133430) x log2 (133430)) + (-(297430) x log2 (297430)) = = 0,8924
Tabel 4.2 Perhitungan Entropy
Total Kasus Jumlah (Ya) Jumlah (Tidak) Entropy
430 133 297 0,8924
a. Perhitungan Mencari Gain
Setelah nilai entropy sudah diketahui, maka langkah selanjutnya adalah mencari nilai gain pada atribut jurusan, maka gunakan rumus :
Gain (S,A) = Entropy (S) –
𝑛 𝑖=1 |𝑆𝑖| |𝑆| ∗ Entropy (Si)....(4.2)
Keterangan :
S = Himpunan Kasus A = fitur
n = jumlah partisi atribut A
|Si| = proporsi Si terhadap S
|S| = jumlah kasus dalam S
Maka :
Gain (S,A) = Entropy (total) – (( 𝑆𝑢𝑚 (𝑡𝑜𝑡𝑎𝑙 ) jumlah ℎ kasus)) = 0,8924– ((280430) 𝑥 0,894 + 150430 𝑥 0,8893) = = 0,0001
Tabel 4.3 Perhitungan Gain Jurusan Atribut Nilai
Atribut
Sum Total
Sum (Tidak)
Sum (Ya)
Entropy Gain
Total Total 430 297 133 0,8924
Jurusan Akuntansi 280 193 87 0,894 0,0001 Mekanik 150 104 46 0,8893
Kemudian Hitung pula nilai gain pada atribut Kelas, Jumlah Kategori, Penghasilan Orangtua dan Jumlah Saudara kandung. Maka hasil perhitungan nilai gain akan tampak pada tabel 4.4
Tabel 4.4 Entropy dan Gain Atribut Nilai
Atribut
Sum Total
Sum (Tidak)
Sum (Ya)
Entropy Gain
Total Total 430 297 133 0,8924
Jurusan Akuntansi 280 193 87 0,894 0,0001 Mekanik 150 104 46 0,8893
Jumlah kategori
Diatas rata-rata
197 64 133 0,9096 0,4757
Dibawah rata-rata
233 233 0 0
Penghasilan orang tua
1 22 19 3 0,5746 0,015
2 320 227 93 0,8695
3 88 51 37 0,9817
Jumlah saudara kandung
1-2 285 229 56 0,7149 0,0918
3-4 136 67 69 0,9998
>4 9 1 8 0,5033
a. Menentukan Pohon Keputusan
Pada Tabel 4.4 Cari nilai Gain terbesar. Berdasarkan table tersebut atribut Jumlah Kategori mempunyai gain terbesar, maka atribut jumlah kategori menjadi node akar (root node).
Gambar 4.1 Akar pertama
Berdasarkan pohon keputusan node 1 (root node) yang telah terbentuk, node 1.1 akan dilanjutkan ke tahap selanjutnya. Kemudian pada tabel training difilter dengan mengambil data kategori nilai diatas rata-rata saja, Kemudian tentukan atribut yang mempunyai gain tertinggi untuk membentuk node pohon keputusan berikutnya.
Tabel 4.5 Hasil Analisis Node 1.1 Atribut Nilai
Atribut
Sum Total
Sum (Tidak)
Sum (Ya)
Entropy Gain
Total Total 197 64 133 0.9096
Jurusan Akuntansi 125 38 87 0.8861 0.0025
Mekanik 72 26 46 0.9436
Penghasilan orangtua
1 9 6 3 0.9183 0.0549
2 146 53 93 0.9452
3 42 5 37 0.5266
Jumlah saudara kandung
1-2 116 60 56 0.9991 0.2078
3-4 73 4 69 0.3064
<5 8 0 8 0
Pada tabel 4.5 gain yang tertinggi dimiliki oleh atribut Jumlah Saudara Kandung. Maka Jumlah Saudara Kandung dijadikan sebagai node akar 1.1. Nilai yang dijadikan leaf (cabang) adalah kategori 1,2 dan 3. Maka Pohon Keputusan akan terlihat seperti gambar 4.2
Gambar 4.2 Pohon keputusan Keterangan :
Pada gambar 4.1 belum diketahui node 1.1 . Kemudian pada tabel 4.5 ditemukan nilai gain terbesar yaitu pada atribut Jumlah Saudara Kandung, Maka Node 1.1 adalah Jumlah Saudara Kandung.
Kemudian lakukan filter Data Training yang mempunyai atribut Jumlah Saudara dengan kategori 1 dan 2.
Kemudian data pada Tabel 4.6 lakukan perhitungan entropy pada setiap nilai atribut dan hitung pula gain pada setiap atribut.
Sehingga hasilnya seperti Tabel 4.6. Kemudian tentukan atribut yang mempunyai gain tertinggi untuk membentuk node pohon keputusan berikutnya.
Tabel 4.6 Hasil Analisi Node 1.2 Atribut Nilai
Atribut
Sum Total
Sum (Tidak)
Sum (Ya)
Entropy Gain
Total Total 116 60 56 0.9991
Jurusan Akuntansi 75 36 39 0.9988 0.0073
Mekanik 41 24 17 0.9789
Penghasilan Orangtua
1 4 4 0 0 0.1511
2 88 53 35 0.9696
3 24 3 21 0.5436
Pada Tabel 4.6 gain yang tertinggi dimiliki oleh atribut Penghasilan Orangtua. Maka atribut kelas akan dijadikan sebagai node akar 1.2. Nilai yang dijadikan leaf adalah kategori Penghasilan Orangtua. Maka Pohon Keputusan akan terlihat seperti gambar 4.3
Gambar 4.3 pohon keputusan Node 1.2 Keterangan :
Pada gambar 4.2 belum diketahui node 1.2. Kemudian pada tabel 4.6 ditemukan nilai gain terbesar yaitu pada atribut Penghasilan Orangtua, maka Node 1.2 adalah atribut Penghasilan Orangtua. Dan Node 1.2.1 adalah Penghasilan Orangtua.
Kemudian pada tabel tersebut, hitung nilai gain dan entropy.
Hasilnya akan tampak pada tabel 4.7.
Tabel 4.7 Hasil filter Penghasilan Orangtua Atribut Nilai
Atribut
Sum Total
Sum (Tidak)
Sum (Ya)
Entropy Gain
Total Total 88 53 35 0.9696
Jurusan Akuntansi 57 32 25 0.9891 0.0094
Mekanik 31 21 10 0.9072
Pada Tabel hasil filter Penghasilan Orangtua, menunjukan bahwa gain tertinggi adalah atribut Jurusan. Maka node 1.3 adalah atribut Jurusan. Maka selanjutnya menentukan akar selanjutnya.
Kemudian hasil pohon keputusan akan tampak pada gambar 4.4
Gambar 4.4 Pohon Keputusan Terakhir
Dari pohon keputusan tersebut didapat rules sebagai berikut : Tabel 4.8 rules yang terbentuk
Rules
1. if (jumlah_kategori == Diatas rata-rata AND
jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 1) then Ya
2. if (jumlah_kategori == Diatas rata-rata AND
jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 2 AND jurusan ==
Akuntansi) then Tidak
3. if (jumlah_kategori == Diatas rata-rata AND
jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 2 AND jurusan ==
Mekanik) then Tidak
4. if (jumlah_kategori == Diatas rata-rata AND
jumlah_saudara_kandung_kategori == 1 - 2 AND penghasilan_orangtua == 3) thenYa
5. if (jumlah_kategori == Diatas rata-rata AND
jumlah_saudara_kandung_kategori == 3 - 4) then Ya 6. if (jumlah_kategori == Diatas rata-rata AND
jumlah_saudara_kandung_kategori == > 4) then Ya
7. if (jumlah_kategori == Dibawah rata-rata) then Tidak
1.3 Implementasi terhadap Data Siswa
Pada penelitian ini, peneliti menggunakan bahasa pemrograman PHP untuk menguji bagaimana proses klasifikasi data siswa. Dibawah ini merupakan uraian bagaimana menentukan keputusan apakah siswa tersebut layak mendapatkan rekomendasi beasiswa.
a. Tampilan Form Input
Untuk menentukan keputusan, input data suswa yaitu Nomor Induk Siswa, Nama Siswa, Jurusan, Kelas Siswa, Jumlah Nilai Rata-Rata, Penghasilan Orangtua, dan Jumlah Saudara Kandung.
Gambar 4.5 Tampilan Input Data Training
1.4 Evaluasi dan Validasi
Pengujian terhadap validitas sistem bertujuan untuk mengetahui apakah solusi yang dihasilkan oleh pohon keputusan tersebut valid atau tidak.
Rules akan dikatakan valid jika jumlah yang mendapatkan rekomendasi beasiswa sama dengan dataset.
Dataset dibagi menjadi dua bagian, yaitu data training dan data testing. Pengujian dilakukan sekali dengan jumlah data training dan data testing yang berbeda.
4.5.1 Pengujian Data
Data set dibagi menjadi dua bagian yaitu 430 data training dan 107 data testing. Keseluruhan data berjumlah 537, maka data training berjumlah 430, dan data testing berjumlah 107 data.
Tabel 4.9 Tabel Data testing 107 Data
NIS Jurusan/
Kelas
Jumlah Nilai
Penghasilan Orangtua
Jumlah
Saudara Rekomendasi
1314308 MI.4/XII 919 2 3 YA
1314310 MI.4/XII 879 2 2 TIDAK
1314311 MI.4/XII 883 2 2 TIDAK
1314312 MI.4/XII 894 3 3 TIDAK
1314314 MI.4/XII 910 3 2 YA
1314268 MI.4/XII 903 2 2 YA
1314269 MI.4/XII 913 1 4 YA
1314270 MI.4/XII 889 2 4 TIDAK
1314316 MI.4/XII 866 3 3 TIDAK
1314317 MI.4/XII 896 2 3 TIDAK
1314272 MI.4/XII 864 3 3 TIDAK
1314318 MI.4/XII 908 2 3 YA
1314273 MI.4/XII 902 2 2 YA
1314274 MI.4/XII 856 3 2 TIDAK
1314275 MI.4/XII 900 2 2 YA
1314277 MI.4/XII 892 1 4 TIDAK
1314278 MI.4/XII 899 2 4 TIDAK
1314280 MI.4/XII 879 2 2 TIDAK
1314282 MI.4/XII 901 2 3 TIDAK
1314283 MI.4/XII 902 1 2 YA
1314284 MI.4/XII 887 3 2 TIDAK
1314285 MI.4/XII 890 2 3 TIDAK
1314286 MI.4/XII 910 2 2 YA
1314287 MI.4/XII 901 2 4 YA
1314209 MI.5/XII 902 2 2 YA
1314210 MI.5/XII 889 2 3 TIDAK
1314169 MI.5/XII 892 3 3 TIDAK
1314170 MI.5/XII 899 1 2 TIDAK
1314171 MI.5/XII 907 2 2 YA
1314211 MI.5/XII 904 2 3 YA
1314173 MI.5/XII 900 2 4 YA
1314174 MI.5/XII 887 3 2 TIDAK
1314212 MI.5/XII 889 2 3 TIDAK
1314213 MI.5/XII 903 3 2 YA
1314215 MI.5/XII 887 2 2 TIDAK
1314216 MI.5/XII 893 2 2 TIDAK
1314175 MI.5/XII 907 2 3 YA
1314176 MI.5/XII 904 3 3 YA
1314217 MI.5/XII 902 3 3 YA
1314177 MI.5/XII 894 1 2 TIDAK
1314178 MI.5/XII 903 2 3 YA
1314218 MI.5/XII 889 2 4 TIDAK
1314179 MI.5/XII 900 2 2 YA
1314180 MI.5/XII 883 2 3 TIDAK
1314181 MI.5/XII 889 1 2 TIDAK
1314182 MI.5/XII 906 1 2 YA
1314220 MI.5/XII 902 2 2 YA
1314221 MI.5/XII 882 3 3 TIDAK
1314222 MI.5/XII 890 2 2 TIDAK
1314136 MI.5/XII 894 1 2 TIDAK
1314150 MI.5/XII 907 3 2 YA
1314151 MI.5/XII 905 2 3 YA
1314152 MI.5/XII 897 2 2 TIDAK
1314154 MI.5/XII 902 2 2 YA
1314155 MI.5/XII 906 2 2 YA
1314156 MI.5/XII 864 2 3 TIDAK
1314158 MI.5/XII 885 3 3 TIDAK
1314159 MI.5/XII 879 2 2 TIDAK
1314160 MI.5/XII 864 3 3 TIDAK
1314161 MI.5/XII 893 2 4 TIDAK
1314162 MI.5/XII 906 2 3 YA
1314163 MI.5/XII 910 2 5 YA
1314164 MI.5/XII 894 3 3 TIDAK
1314165 MI.5/XII 900 1 3 TIDAK
1314166 MI.5/XII 859 2 2 TIDAK
1314167 MI.5/XII 900 3 2 YA
1314329 MI.6/XII 864 2 3 TIDAK
1314330 MI.6/XII 905 2 2 YA
1314331 MI.6/XII 890 2 1 TIDAK
1314332 MI.6/XII 863 2 1 TIDAK
1314183 MI.6/XII 911 3 4 YA
1314334 MI.6/XII 860 2 4 TIDAK
1314184 MI.6/XII 879 2 3 TIDAK
1314335 MI.6/XII 889 3 2 TIDAK
1314336 MI.6/XII 862 2 2 TIDAK
1314337 MI.6/XII 864 3 2 TIDAK
1314186 MI.6/XII 890 2 3 TIDAK
1314339 MI.6/XII 908 1 2 YA
1314340 MI.6/XII 903 2 3 YA
1314187 MI.6/XII 906 1 5 TIDAK
1314341 MI.6/XII 911 3 2 YA
1314188 MI.6/XII 864 2 2 TIDAK
1314342 MI.6/XII 861 2 2 TIDAK
1314343 MI.6/XII 906 2 2 YA
1314344 MI.6/XII 911 2 4 YA
1314345 MI.6/XII 866 1 2 TIDAK
1314189 MI.6/XII 908 3 3 YA
1314346 MI.6/XII 889 2 3 TIDAK
1314347 MI.6/XII 863 2 2 TIDAK
1314348 MI.6/XII 878 2 2 TIDAK
1314349 MI.6/XII 861 1 2 TIDAK
1314190 MI.6/XII 905 3 1 TIDAK
1314351 MI.6/XII 914 2 3 YA
1314191 MI.6/XII 897 2 2 TIDAK
1314192 MI.6/XII 863 1 2 TIDAK
1314194 MI.6/XII 879 2 3 TIDAK
1314198 MI.6/XII 907 2 2 YA
1314199 MI.6/XII 899 1 2 TIDAK
1314200 MI.6/XII 921 2 2 YA
1314201 MI.6/XII 863 2 1 TIDAK
1314202 MI.6/XII 863 1 4 TIDAK
1314203 MI.6/XII 860 2 2 TIDAK
1314204 MI.6/XII 905 2 3 YA
Penghasilan orangtua *1 >= Rp. 2.000.000
*2 = Rp. 1.000.000-1.999.999 *3 <= Rp.999.999
Tabel 4.10 Klasifikasi dan Prediksi NIS Jurusan/
Kelas
Jumlah Nilai
Penghasilan Orangtua
Jumlah
Saudara Rekomendasi Klasifikasi
1314308 MI.4/XII 919 2 3 YA YA
1314310 MI.4/XII 879 2 2 TIDAK TIDAK
1314311 MI.4/XII 883 2 2 TIDAK TIDAK
1314312 MI.4/XII 894 3 3 TIDAK TIDAK
1314314 MI.4/XII 910 3 2 YA YA
1314268 MI.4/XII 903 2 2 YA TIDAK
1314269 MI.4/XII 913 1 4 YA YA
1314270 MI.4/XII 889 2 4 TIDAK TIDAK
1314316 MI.4/XII 866 3 3 TIDAK TIDAK
1314317 MI.4/XII 896 2 3 TIDAK TIDAK
1314272 MI.4/XII 864 3 3 TIDAK TIDAK
1314318 MI.4/XII 908 2 3 YA YA
1314273 MI.4/XII 902 2 2 YA TIDAK
1314274 MI.4/XII 856 3 2 TIDAK TIDAK
1314275 MI.4/XII 900 2 2 YA TIDAK
1314277 MI.4/XII 892 1 4 TIDAK TIDAK
1314278 MI.4/XII 899 2 4 TIDAK TIDAK
1314280 MI.4/XII 879 2 2 TIDAK TIDAK
1314282 MI.4/XII 901 2 3 TIDAK YA
1314283 MI.4/XII 902 1 2 YA TIDAK
1314284 MI.4/XII 887 3 2 TIDAK TIDAK
1314285 MI.4/XII 890 2 3 TIDAK TIDAK
1314286 MI.4/XII 910 2 2 YA TIDAK
1314287 MI.4/XII 901 2 4 YA YA
1314209 MI.5/XII 902 2 2 YA TIDAK
1314210 MI.5/XII 889 2 3 TIDAK TIDAK
1314169 MI.5/XII 892 3 3 TIDAK TIDAK
1314170 MI.5/XII 899 1 2 TIDAK TIDAK
1314171 MI.5/XII 907 2 2 YA TIDAK
1314211 MI.5/XII 904 2 3 YA YA
1314173 MI.5/XII 900 2 4 YA YA
1314174 MI.5/XII 887 3 2 TIDAK TIDAK
1314212 MI.5/XII 889 2 3 TIDAK TIDAK
1314213 MI.5/XII 903 3 2 YA YA
1314215 MI.5/XII 887 2 2 TIDAK TIDAK
1314216 MI.5/XII 893 2 2 TIDAK TIDAK
1314175 MI.5/XII 907 2 3 YA YA
1314176 MI.5/XII 904 3 3 YA YA
1314217 MI.5/XII 902 3 3 YA YA
1314177 MI.5/XII 894 1 2 TIDAK TIDAK
1314178 MI.5/XII 903 2 3 YA YA
1314218 MI.5/XII 889 2 4 TIDAK TIDAK
1314179 MI.5/XII 900 2 2 YA TIDAK
1314180 MI.5/XII 883 2 3 TIDAK TIDAK
1314181 MI.5/XII 889 1 2 TIDAK TIDAK
1314182 MI.5/XII 906 1 2 YA TIDAK
1314220 MI.5/XII 902 2 2 YA TIDAK
1314221 MI.5/XII 882 3 3 TIDAK TIDAK
1314222 MI.5/XII 890 2 2 TIDAK TIDAK
1314136 MI.5/XII 894 1 2 TIDAK TIDAK
1314150 MI.5/XII 907 3 2 YA YA
1314151 MI.5/XII 905 2 3 YA YA
1314152 MI.5/XII 897 2 2 TIDAK TIDAK
1314154 MI.5/XII 902 2 2 YA TIDAK
1314155 MI.5/XII 906 2 2 YA TIDAK
1314156 MI.5/XII 864 2 3 TIDAK TIDAK
1314158 MI.5/XII 885 3 3 TIDAK TIDAK
1314159 MI.5/XII 879 2 2 TIDAK TIDAK
1314160 MI.5/XII 864 3 3 TIDAK TIDAK
1314161 MI.5/XII 893 2 4 TIDAK TIDAK
1314162 MI.5/XII 906 2 3 YA YA
1314163 MI.5/XII 910 2 5 YA YA
1314164 MI.5/XII 894 3 3 TIDAK TIDAK
1314165 MI.5/XII 900 1 3 TIDAK YA
1314166 MI.5/XII 859 2 2 TIDAK TIDAK
1314167 MI.5/XII 900 3 2 YA YA
1314329 MI.6/XII 864 2 3 TIDAK TIDAK
1314330 MI.6/XII 905 2 2 YA TIDAK
1314331 MI.6/XII 890 2 1 TIDAK TIDAK
1314332 MI.6/XII 863 2 1 TIDAK TIDAK
1314183 MI.6/XII 911 3 4 YA YA
1314334 MI.6/XII 860 2 4 TIDAK TIDAK
1314184 MI.6/XII 879 2 3 TIDAK TIDAK
1314335 MI.6/XII 889 3 2 TIDAK TIDAK
1314336 MI.6/XII 862 2 2 TIDAK TIDAK
1314337 MI.6/XII 864 3 2 TIDAK TIDAK
1314186 MI.6/XII 890 2 3 TIDAK TIDAK
1314339 MI.6/XII 908 1 2 YA TIDAK
1314340 MI.6/XII 903 2 3 YA YA
1314187 MI.6/XII 906 1 5 TIDAK YA
1314341 MI.6/XII 911 3 2 YA YA
1314188 MI.6/XII 864 2 2 TIDAK TIDAK
1314342 MI.6/XII 861 2 2 TIDAK TIDAK
1314343 MI.6/XII 906 2 2 YA TIDAK
1314344 MI.6/XII 911 2 4 YA YA
1314345 MI.6/XII 866 1 2 TIDAK TIDAK
1314189 MI.6/XII 908 3 3 YA YA
1314346 MI.6/XII 889 2 3 TIDAK TIDAK
1314347 MI.6/XII 863 2 2 TIDAK TIDAK
1314348 MI.6/XII 878 2 2 TIDAK TIDAK
1314349 MI.6/XII 861 1 2 TIDAK TIDAK
1314190 MI.6/XII 905 3 1 TIDAK YA
1314351 MI.6/XII 914 2 3 YA YA
1314191 MI.6/XII 897 2 2 TIDAK TIDAK
1314192 MI.6/XII 863 1 2 TIDAK TIDAK
1314194 MI.6/XII 879 2 3 TIDAK TIDAK
1314198 MI.6/XII 907 2 2 YA TIDAK
1314199 MI.6/XII 899 1 2 TIDAK TIDAK
1314200 MI.6/XII 921 2 2 YA TIDAK
1314201 MI.6/XII 863 2 1 TIDAK TIDAK
1314202 MI.6/XII 863 1 4 TIDAK TIDAK
1314203 MI.6/XII 860 2 2 TIDAK TIDAK
1314204 MI.6/XII 905 2 3 YA YA
1314205 MI.6/XII 910 3 3 YA YA
1314206 MI.6/XII 900 2 3 TIDAK YA
1314207 MI.6/XII 887 2 3 TIDAK TIDAK
1314208 MI.6/XII 884 1 2 TIDAK TIDAK
Penghasilan orangtua *1 >= Rp. 2.000.000
*2 = Rp. 1.000.000-1.999.999 *3 <= Rp.999.999
Tabel 4.11 Hasil Confusion Matrix Jumlah
Data Testing
True Positif (TP)
False Positif (FP)
True Negatif
(TN)
False Negatif
(FN)
107 25 5 60 17
Pada Tabel diatas dengan perbandingan data 80:20 menghasilkan true positif (TP) sebanyak 25, false positif (FP) sebanyak 5, true negatve (TN) sebanyak 60 data, dan false negative (FN) sebanyak 17 data.
Jika confusion matrix sudah diketahui maka selanjutnya menghitung Akurasi,
Tabel 4.12 Evaluasi dan Validasi Presentase
Data
Data Training
Data Testing
Akurasi
80%:20% 340 107 79%
Pada tabe di atas data dengan perbandingan 80%:20%
memiliki akurasi sebesar 79%,
Perhitungan akurasi dilakikan dengan cara membagi jumlah data yang diklasifikasi secara benar dengan toal sample data testing yang diuji.
Akurasi = 𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝑗𝑢𝑚𝑙𝑎 ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔 𝑦𝑎𝑛𝑔 𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛 = 10785 = 0,79x100% = 79%