BAB IV
. Sebelum menjalankan aplikasi ini, ada hal yang harus diperhatikan yaitu
kebutuhan sistem. Sesuai dengan kebutuhan untuk merancang sistem diperlukan
perangkat keras dan perangkat lunak.
Tahapan evaluasi sistem terbagi menjadi dua yaitu Evaluasi hasil uji coba
sistem dan Analisa hasil uji coba sistem. Evaluasi hasil uji coba dilakukan untuk
menguji kembali semua tahapan yang sudah dilakukan selama pengujian
berlangsung dan analisa hasil uji coba sistem bertujuan untuk menarik kesimpulan
terhadap hasil-hasil uji coba yang dilakukan terhadap sistem. Uji coba dilakukan
dalam tahapan beberapa test case yang telah disiapkan sebelumnya.
Submenu dataset berisi dataset dari data peminjam yang telah diinputkan.
8
Pada submenu hasil uji ini dilakukan verifikasi antara hasil deteksi sistem
dengan keputusan yang dilakukan oleh ahli guna membandingkan apakah
rekomendasi sistem sesuai dengan rekomendasi ahli.
Confusion Matrix
Confusion Matrix adalah pengukuran performa dengan 2 class yaitu Layak dan tidak Layak. Confusion
Matrix adalah tabel dengan 4 kombinasi berbeda dari nilai prediksi dan nilai aktual. Ada empat istilah
yang merupakan representasi hasil proses klasifikasi pada confusion matrix yaitu True Positif, True
Negatif, False Positif, dan False Negatif.
Nilai Prediksi adalah keluaran dari program dimana nilainya Positif dan Negatif
Nilai Aktual adalah nilai sebenarnya dimana nilainya True dan False
DATA UJI
Produktif
54 Sangat IRT Besar Baik Besar Layak Layak 1
Produktif
55 Produktif Wiraswasta Besar Baik Rendah Layak Layak 1
56 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
57 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
58 Sangat IRT Sedang Baik Sedang Layak Layak 1
Produktif
59 Sangat IRT Besar Baik Besar Layak Layak 1
Produktif
60 Produktif Wiraswasta Besar Baik Rendah Layak Layak 1
61 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
62 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
63 Sangat IRT Sedang Baik Sedang Layak Layak 1
Produktif
64 Sangat IRT Besar Baik Besar Layak Tidak 0
Produktif Layak
65 Produktif Wiraswasta Besar Baik Rendah Layak Layak 1
66 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
67 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
68 Sangat IRT Sedang Baik Sedang Layak Layak 1
Produktif
69 Sangat IRT Besar Baik Besar Layak Layak 1
Produktif
70 Produktif Wiraswasta Besar Baik Rendah Layak Layak 1
71 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
72 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
73 Sangat IRT Sedang Baik Sedang Layak Layak 1
Produktif
74 Sangat IRT Besar Baik Besar Layak Layak 1
Produktif
75 Produktif Wiraswasta Besar Baik Rendah Layak Layak 1
76 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
77 Sangat Wiraswasta Besar Baik Besar Tidak Layak Tidak 1
Produktif Layak
78 Sangat IRT Sedang Baik Sedang Layak Layak 1
Produktif
14
Accuray : 95%
15
CONFUSSION MATRIX
True Positive (TP): kita memprediksi Layak dan benar-benar layak sebanyak 56
True Negative (TN): sistem memprediksi bahwa terdapat 39 yang Tidak Layak.
False Positive (FP):Sistem memprediksi 4 orang yang Layak, namun terprediksi Tidak Layak.
PERFORMANCE
Dari data diatas dapat dihitung nilai accuracy, precision, recall dan F-1 score sebagai berikut ini:
Precision menggambarkan akurasi antara data yang diminta dengan hasil prediksi yang diberikan
oleh model. Precision = (TP) / (TP + FP)
= 56 / (56 + 4)
= 0.93
= 0.98
F-1 Score menggambarkan perbandingan rata-rata precision dan recall yang dibobotkan. Accuracy
tepat kita gunakan sebagai acuan performansi algoritma jika dataset kita memiliki jumlah data False
Negatif dan False Positif yang sangat mendekati (symmetric). Namun jika jumlahnya tidak
mendekati, maka sebaiknya kita menggunakan F1 Score sebagai acuan.
= 95 %