DESKRIPSI PREPROCESSING
ALGORITMA KLASIFIKASI
Hasil akhir
23028
156972
0.031
0.178
0.302
98.8811 %
100.6551 %
180000
12.7933 %
87.2067 %
FP Rate
Precision
Recall
F-Measure
ROC Area
0.028
0.023
0.119
0.028
0.046
0.516
0.011
0.008
0.132
0.011
0.021
0.531
0.017
0.019
0.091
0.017
0.029
0.509
0.009
0.01
0.09
0.009
0.017
0.567
0.666
0.53
0.122
0.666
0.207
0.614
0.409
0.268
0.145
0.409
0.214
0.601
0.082
0.057
0.139
0.082
0.103
0.559
0.041
0.037
0.11
0.041
0.06
0.553
0.005
0.005
0.099
0.005
0.01
0.534
0.011
0.011
0.099
0.011
0.02
0.55
0.128
0.097
0.115
0.128
0.072
0.553
Class
delapan
dua
empat
enam
lima
nol
satu
sembilan
tiga
tujuh
Weighted Avg.
52106
73894
0.3484
0.1389
0.2709
77.1564 %
90.3014 %
126000
41.354
58.646
%
%
FP Rate
Precision
Recall
F-Measure
ROC Area
0.483
0.085
0.388
0.483
0.43
0.803
0.421
0.078
0.375
0.421
0.397
0.781
0.423
0.076
0.382
0.423
0.401
0.78
0.421
0.072
0.393
0.421
0.407
0.787
0.399
0.065
0.405
0.399
0.402
0.801
0.451
0.059
0.458
0.451
0.454
0.821
0.404
0.053
0.46
0.404
0.43
0.8
0.376
0.053
0.441
0.376
0.406
0.798
0.394
0.048
0.478
0.394
0.432
0.8
0.363
0.063
0.391
0.363
0.377
0.783
0.414
0.065
0.417
0.414
0.414
0.795
Class
delapan
dua
empat
enam
lima
nol
satu
sembilan
tiga
tujuh
Weighted Avg.
43775
118225
0.1891
0.1486
0.3458
82.5465 %
115.2564 %
162000
27.0216 %
72.9784 %
TP Rate
FP Rate
Precision
Recall
F-Measure
ROC Area
0.295
0.095
0.257
0.295
0.275
0.63
0.25
0.085
0.247
0.25
0.248
0.617
0.266
0.093
0.241
0.266
0.253
0.612
0.284
0.087
0.267
0.284
0.275
0.626
0.264
0.084
0.258
0.264
0.261
0.626
0.317
0.071
0.33
0.317
0.323
0.658
0.275
0.084
0.267
0.275
0.271
0.626
0.265
0.077
0.277
0.265
0.271
0.631
0.263
0.07
0.295
0.263
0.278
0.624
0.223
0.066
0.275
0.223
0.246
0.619
0.27
0.081
0.271
0.27
0.27
0.627
Class
delapan
dua
empat
enam
lima
nol
satu
sembilan
tiga
tujuh
Weighted Avg.
824 1430 |
<-- classified as
a = delapan
979 |
b = dua
932 |
c = empat
d = enam
e = lima
831 1160
862
789 |
f = nol
940 |
g = satu
849 1229 |
861 |
1986 1251 1412 1702 1502 1056 1160 1510 1021 3620 |
h = sembilan
i = tiga
j = tujuh
Perbandingan Akurasi
Correctly Classified Instances
Naive bayes
: 23028
12.7933 %
41.354 %
J48
27.0216 %
: 43775
: 156972
87.2067 %
58.646 %
J48
72.9784 %
: 118225
Kappa statistic
Naive bayes
: 0.031
J48
: 0.1891
: 0.178
J48
: 0.1486
Pilihan Terbaik
Pilihan terbaik untuk mengolah jenis bahasa/suara
sandi morse (peluit) dengan jumlah atribut 27 dan objek
data set 180000 adalah dengan menggunakan data preprocessing: AttributeSelection (digunakan untuk memfilter
jumlah atribut yang akan diolah sehingga pada saat proses
pengolahan data, tidak memakan waktu yang lama dan
tidak memberatkan atau melemahkan kinerja komputer.
Dalam data yang kami olah terdapat 27 atribut. Setelah
dilakukan peoses filterisasi, atribut berkurang menjadi 6
atribut) .
Algoritma yang cocok untuk mengolah data ini
adalah Random Forest.