Upload
others
View
19
Download
0
Embed Size (px)
Citation preview
KLASIFIKASI PRESTASI AKADEMIK MAHASISWA BERDASARKAN
HASIL TES POTENSI AKADEMIK MENGGUNAKAN
SUPPORT VECTOR MACHINE
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer Program Studi Informatika
Oleh:
Agustinus Handaya Ajitama
175314096
PROGRAM STUDI INFORMATIKA
JURUSAN INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANTA DHARMA
YOGYAKARTA
2021
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
CLASSIFICATION OF STUDENT ACHIEVEMENT BASED ON
THE RESULTS OF ACADEMIC POTENTIAL TEST USING
SUPPORT VECTOR MACHINE
THESIS
Presented as Partial Fulfillment of The Requirements
To Obtain the Sarjana Komputer Degree in Informatics Study Program
By:
Agustinus Handaya Ajitama
175314096
INFORMATICS STUDY PROGRAM
DEPARTMENT OF INFORMATICS
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2021
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN
“Lakukanlah yang terbaik saat ini dengan sekuat tenaga dan semaksimal
kemampuan yang dimiliki, karena hari ini tidak bisa diulang kembali pada esok
hari dan selalu syukuri setiap hasil kemampaun yang telah dicapai”
Dengan segala puji dan syukur, kupersembahkan skripsi ini kepada:
Tuhan Yesus dan Bunda Maria,
Keluarga,
Sahabat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Nilai Tes Potensi Akademik (TPA) merupakan salah satu tes yang
digunakan untuk menyeleksi calon mahasiswa sebagai pengklasifikasi prestasi
akademik dan mengetahui tingkat kemampuan mahasiswa selama kegiatan
perkuliahan berlangsung. Tujuan penelitian ini untuk mengklasifikasi prestasi
akademik mahasiswa berdasarkan hasil Tes Potensi Akademik (TPA). Penelitan ini
menggunakan data mahasiswa Fakultas Keguruan dan Ilmu Pendidikan (FKIP)
Universitas Sanata Dharma angkatan 2015 dan 2016. Nilai TPA dan IPK semester
1 hingga 4 merupakan data yang digunakan dalam penelitian ini. Pada penelitian
ini variasi dalam pengujian yaitu pada fold, kernel, multiclass, dan outlier. Fold
yang digunakan dalam pengujian ini yaitu 3 fold, 5 fold, 7 fold, dan 9 fold. Kernel
yang digunakan dalam pengujian ini yaitu linear, rbf, dan polynomial. Multiclass
yang digunakan dalam pengujian ini yaitu one against one dan one against all.
Variasi pengujian lainnya yaitu data yang dilakukan deteksi outlier dan tidak
dilakukan deteksi outlier. Penelitian ini menggunakan metode Support Vector
Machine dengan akurasi tertinggi pada program studi Pendidikan Fisika pada IPK
4 yang sudah dikenai deteksi outlier, multiclass one against one dan one against
all, kernel rbf, dan 9 fold menghasilkan akurasi 80%.
Kata Kunci: Data Mining, Klasifikasi, Algoritma Support Vector Machine, Tes
Potensi Akademik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
Academic Potential Test is one of the tests used to select prospective
students as a classifier of academic achievement and to determine the level of
student ability during her/his study. The purpose of this research is to classify
student academic achievement based on the results of the Academic Potential Test.
This research uses data from students of the Faculty of Teacher Training and
Education (FKIP) of Sanata Dharma University batch 2015 and 2016. The APT and
GPA values for semesters 1 to 4 are the data used in this research. In this research
variations in experiments are on fold, kernel, multiclass, and outlier. Folds used in
this experiment are 3 fold, 5 fold, 7 fold, and 9 fold. The kernels used in this
experiment are linear, rbf, and polynomial. The multiclasses used in this experiment
are one against one and one against all. Other variations of experiments are data
conducted outlier detection and not outlier detection. This research uses the Support
Vector Machine method with the highest accuracy in the Physics Education study
program at a GPA of 4 which has been subjected to outlier detection, multiclass one
against one and one against all, kernel rbf, and 9 fold resulting in 80% accuracy.
Keywords: Data Mining, Classification, Support Vector Machine Algorithm,
Academic Potential Test Score
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa atas
rahmat yang telah diberikan, sehingga penulis dapat menyelesaikan skripsi dengan
judul “Klasifikasi Prestasi Akademik Mahasiswa Berdasarkan Tes Potensi
Akademik Menggunakan SVM (Support Vector Machine)”. Penulis menyadari
bahwa skripsi ini dapat selesai dengan bimbingan dan bantuan dari berbagai pihak.
Dalam kesempatan ini, penulis mengucapkan terima kasih kepada:
1. Tuhan Yesus Kristus dan Bunda Maria yang telah menyertai dan
mendampingi dalam setiap langkah kehidupan untuk menentukan pilihan
yang akan diambil.
2. Ibu Paulina Heruningsih Prima Rosa, S.Si., M.Sc. selaku dosen pembimbing
yang selalu membimbing dan mengarahkan selama penyusunan skripsi.
3. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku Ketua Program Studi
Informatika yang selalu memberikan dukungan dan saran dalam
perkuliahan.
4. Kedua orang tua, adik, serta keluarga yang telah memberikan semangat dan
dukungan selama menempuh perkuliahan.
5. Laurensius Setiawan dan Gregorius Setiadi yang selalu memberikan
semangat dan motivasi dalam segala kondisi.
6. Fransiska Annalisa Christiana H. yang selalu setia berjuang bersama dan
saling memotivasi dalam segala kondisi dari awal perkuliahan hingga
mendapatkan gelar sarjana komputer.
7. 4 teman yang tidak bisa disebutkan namanya yang selalu memberikan
masukan dan semangat dalam perjalanan kuliah hingga skripsi bersama-
sama.
8. Teman-teman Informatika angkatan 17 yang memberikan dukungan dan
motivasi secara langsung maupun tidak langsung selama kuliah di
Universitas Sanata Dharma.
9. Semua pihak yang tidak dapat disebutkan satu per satu.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
Penulis menyadari bahwa skripsi ini jauh dari kata sempurna, maka kritik
dan saran yang bersifat membangun dari berbagai pihak sangat diharapkan.
Akhir kata, penulis berharap skrpsi ini bermanfaat bagi semua pihak.
Yogyakarta, 11 Juli 2021
Penulis,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL……………………………………………………………...i
HALAMAN PERSETUJUAN…………………………………..……...............iii
HALAMAN PENGESAHAN…………………………………………...............iv
HALAMAN PERSEMBAHAN ............................................................................ v
PERNYATAAN KEASLIAN KARYA………………………………………...vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI…………………vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ............................................................................................................ ix
KATA PENGANTAR ............................................................................................ x
DAFTAR ISI ......................................................................................................... xii
DAFTAR GAMBAR ........................................................................................... xiv
DAFTAR TABEL ........................................................................................... xxviii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang .................................................................................... 1
1.2 Rumusan Masalah .............................................................................. 3
1.3 Tujuan Penelitian ................................................................................ 4
1.4 Batasan Masalah ................................................................................. 4
1.5 Manfaat Penelitian .............................................................................. 4
1.6 Sistematika Penulisan ......................................................................... 4
BAB II TINJAUAN PUSTAKA ........................................................................... 6
2.1 Penambangan Data ............................................................................. 6
2.2 Klasifikasi ............................................................................................ 7
2.3 Support Vector Machine (SVM) ......................................................... 8
2.4 Multi Class SVM................................................................................ 15
2.4.1 One-against-all (Satu lawan semua) .................................................... 15
2.4.2 One-against-one (satu lawan satu) ....................................................... 16
2.5 K-Fold Cross Validation .................................................................... 18
2.6 Confusion Matrix ............................................................................... 19
2.7 Normalisasi ........................................................................................ 20
2.8 Deteksi Outlier ................................................................................... 21
2.9 Prestasi Akademik ............................................................................ 23
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
BAB III METODOLOGI PENELITIAN ......................................................... 24
3.1 Bahan penelitian/Data ...................................................................... 24
3.2 Tahap – Tahap Penelitian ................................................................ 25
3.2.1 Data Mentah ............................................................................................ 31
3.2.2 Integrasi Data .................................................................................. 31
3.2.3 Pembersihan Data ................................................................................... 31
3.2.4 Transformasi Data .................................................................................. 31
3.2.5 Pembagian Data ...................................................................................... 33
3.2.6 Klasifikasi Support Vector Machine .................................................... 34
3.3 Desain Antarmuka ............................................................................ 41
3.3.1 Proses Input GUI .................................................................................... 42
3.3.2 Proses Ouput GUI ........................................................................... 42
3.4 Spesifikasi Alat .................................................................................. 42
BAB IV IMPLEMENTASI DAN ANALISIS HASIL ..................................... 43
4.1 Preprocessing ..................................................................................... 43
4.2 Implementasi ..................................................................................... 44
4.3 Pengujian ........................................................................................... 47
4.2.1 Percobaan Pada program studi Bimbingan dan Konseling ............. 48
4.2.2 Percobaan Pada program studi Ilmu Pendidikan Agama Katolik .. 59
4.2.3 Percobaan Pada program studi Pendidikan Akutansi ....................... 70
4.2.4 Percobaan Pada program studi Pendidikan Bahasa Inggris ............ 81
4.2.5 Percobaan Pada program studi Pendidikan Biologi ......................... 92
4.2.6 Percobaan Pada program studi Pendidikan Bahasa dan Sastra
Indonesia ............................................................................................................. 103
4.2.7 Percobaan Pada program studi Pendidikan Ekonomi .................... 114
4.2.8 Percobaan Pada program studi Pendidikan Fisika .......................... 125
4.2.9 Percobaan Pada program studi Pendidikan Guru Sekolah Dasar . 136
4.2.10 Percobaan Pada program studi Pendidikan Matematika ............... 147
4.2.11 Percobaan Pada program studi Pendidikan Sejarah ....................... 158
4.2.12 Percobaan Pada Fakultas Guruan dan Ilmu Pendidikan ................ 169
4.3 Analisis Hasil Keseluruhan Pengujian .......................................... 180
BAB V PENUTUP ............................................................................................. 191
5.1 Kesimpulan ...................................................................................... 191
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
5.2 Saran ................................................................................................ 191
DAFTAR PUSTAKA ........................................................................................ 192
DAFTAR GAMBAR
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
Gambar 2.1 Hyperplane…………………………………………………….. 8
Gambar 2.2 Margin Hyperplane……………………………………………. 9
Gambar 2.3 Visualisasi Hyperplane………………………………………… 13
Gambar 2.4 Hasil Klasifikasi……………………………………………….. 14
Gambar 2.5 Skema klasifikasi menggunakan metode one-against-all……... 16
Gambar 2.6 Skema klasifikasi menggunakan metode one-against-one…….. 17
Gambar 2.7 Ilustrasi pembagian data 3-Fold Cross Validation…………….. 18
Gambar 2.8 Mengidentifikasi pengamatan normal vs abnormal……………. 22
Gambar 3.1 Skema Penelitian………………………………………………. 25
Gambar 3.2 Variasi pengujian Tanpa Deteksi Outlier – One Against One…. 27
Gambar 3.3 Variasi pengujian Tanpa Deteksi Outlier – One Against All…... 28
Gambar 3.4 Variasi pengujian Deteksi Outlier – One Against One………… 29
Gambar 3.5 Variasi pengujian Deteksi Outlier – One Against All………….. 30
Gambar 3.6 Klasifikasi dengan 4 kelas……………………………………... 34
Gambar 3.7 Kelas A dan Kelas B…………………………………………… 35
Gambar 3.8 Kelas A dan Kelas C…………………………………………… 36
Gambar 3.9 Kelas A dan Kelas D…………………………………………... 36
Gambar 3.10 Kelas B dan Kelas C…………..……………………………… 37
Gambar 3.11 Kelas B dan Kelas D…………..……………………………… 37
Gambar 3.12 Kelas C dan Kelas D…………..……………………………… 38
Gambar 3.13 Kelas A lawan Kelas B, Kelas C, dan Kelas D………………. 39
Gambar 3.14 Kelas B lawan Kelas A, Kelas C, dan Kelas D………………. 40
Gambar 3.15 Kelas C lawan Kelas A, Kelas B, dan Kelas C………………. 40
Gambar 3.16 Kelas D lawan Kelas A, Kelas B, dan Kelas C………………. 41
Gambar 3.17 Desain Antarmuka……………………………………………. 41
Gambar 4.1 GUI Program klasifikasi………………………………………. 44
Gambar 4.2 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling. 48
Gambar 4.3 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling. 49
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 4.4 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling. 49
Gambar 4.5 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling. 50
Gambar 4.6 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling... 51
Gambar 4.7 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling... 51
Gambar 4.8 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling... 52
Gambar 4.9 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling... 53
Gambar 4.10 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 54
Gambar 4.11 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 54
Gambar 4.12 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 55
Gambar 4.13 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 56
Gambar 4.14 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Bimbingan dan Konseling……….. 56
Gambar 4.15 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Bimbingan dan Konseling……….. 57
Gambar 4.16 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Bimbingan dan Konseling……….. 58
Gambar 4.17 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Bimbingan dan Konseling……….. 58
Gambar 4.18 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 59
Gambar 4.19 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 60
Gambar 4.20 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
Gambar 4.21 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 61
Gambar 4.22 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 62
Gambar 4.23 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 62
Gambar 4.24 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 63
Gambar 4.25 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 64
Gambar 4.26 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 65
Gambar 4.27 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 65
Gambar 4.28 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Ilmu Pendidikan Agama Katolik……... 66
Gambar 4.29 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 67
Gambar 4.30 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik… 68
Gambar 4.31 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik… 68
Gambar 4.32 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik… 69
Gambar 4.33 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik… 69
Gambar 4.34 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 70
Gambar 4.35 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 71
Gambar 4.36 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 71
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xviii
Gambar 4.37 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 72
Gambar 4.38 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi……… 73
Gambar 4.39 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi……… 73
Gambar 4.40 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi……… 74
Gambar 4.41 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi……… 75
Gambar 4.42 Grafik akurasi menggunakan 3 Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 76
Gambar 4.43 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 76
Gambar 4.44 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Pendidikan Akutansi………………….. 77
Gambar 4.45 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 78
Gambar 4.46 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Akutansi……………... 78
Gambar 4.47 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Akutansi……………... 79
Gambar 4.48 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Akutansi……………... 80
Gambar 4.49 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Akutansi……………... 80
Gambar 4.50 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 81
Gambar 4.51 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 82
Gambar 4.52 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Pendidikan
Bahasa Inggris………………………………………………………………. 82
Gambar 4.53 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 83
Gambar 4.54 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris.. 84
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xix
Gambar 4.55 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris.. 84
Gambar 4.56 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris.. 85
Gambar 4.57 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris.. 86
Gambar 4.58 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 87
Gambar 4.59 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 87
Gambar 4.60 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Pendidikan Bahasa Inggris…………… 88
Gambar 4.61 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 89
Gambar 4.62 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris………. 89
Gambar 4.63 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris………. 90
Gambar 4.64 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa
Inggris……………………………………………………………………….. 91
Gambar 4.65 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris………. 91
Gambar 4.66 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……… 92
Gambar 4.67 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……… 93
Gambar 4.68 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Pendidikan
Biologi………………………………………………………………………. 93
Gambar 4.69 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……… 94
Gambar 4.70 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……….. 95
Gambar 4.71 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……….. 95
Gambar 4.72 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……….. 96
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xx
Gambar 4.73 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……….. 97
Gambar 4.74 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……………... 98
Gambar 4.75 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……………... 98
Gambar 4.76 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Pendidikan Biologi……………............ 99
Gambar 4.77 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……………... 100
Gambar 4.78 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Biologi……………..... 101
Gambar 4.79 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Biologi……………..... 101
Gambar 4.80 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Biologi….. 102
Gambar 4.81 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Biologi……………..... 102
Gambar 4.82 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………........................................................................... 103
Gambar 4.83 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………........................................................................... 104
Gambar 4.84 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Pendidikan
Bahasa dan Sastra Indonesia……………....................................................... 104
Gambar 4.85 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………........................................................................... 105
Gambar 4.86 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………........................................................................... 106
Gambar 4.87 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………........................................................................... 106
Gambar 4.88 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………………………………………………………... 107
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxi
Gambar 4.89 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……………........................................................................... 108
Gambar 4.90 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 109
Gambar 4.91 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 109
Gambar 4.92 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 110
Gambar 4.93 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 111
Gambar 4.94 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 111
Gambar 4.95 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 112
Gambar 4.96 Grafik akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa dan
Sastra Indonesia……………………………………………………………... 113
Gambar 4.97 Grafik akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……………..................................................................................... 113
Gambar 4.98 Grafik akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 114
Gambar 4.99 Grafik akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 115
Gambar 4.100 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Pendidikan Ekonomi………………………………………………………... 116
Gambar 4.101 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Ekonomi……………...................................................................................... 116
Gambar 4.102 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Ekonomi……………...................................................................................... 117
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxii
Gambar 4.103 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Ekonomi……………...................................................................................... 117
Gambar 4.104 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Ekonomi……………...................................................................................... 118
Gambar 4.105 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Ekonomi……………...................................................................................... 119
Gambar 4.106 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…... 120
Gambar 4.107 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…... 120
Gambar 4.108 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Pendidikan Ekonomi………… 121
Gambar 4.109 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…... 122
Gambar 4.110 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 122
Gambar 4.111 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 123
Gambar 4.112 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Pendidikan
Ekonomi……………...................................................................................... 124
Gambar 4.113 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 124
Gambar 4.114 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika. 125
Gambar 4.115 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika. 126
Gambar 4.116 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Pendidikan Fisika…………………………………………………………… 126
Gambar 4.117 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika. 127
Gambar 4.118 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika... 127
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxiii
Gambar 4.119 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika.. 128
Gambar 4.120 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika... 129
Gambar 4.121 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika... 130
Gambar 4.122 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Fisika……… 131
Gambar 4.123 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Fisika……… 131
Gambar 4.124 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Pendidikan Fiska…………….. 132
Gambar 4.125 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Fisika……… 133
Gambar 4.126 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Fisika……….. 133
Gambar 4.127 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Fisika……….. 134
Gambar 4.128 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Pendidikan
Fisika……………........................................................................................... 135
Gambar 4.129 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Fisika 135
Gambar 4.130 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 136
Gambar 4.131 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 137
Gambar 4.132 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Pendidikan Guru Sekolah Dasar…………………………………………….. 137
Gambar 4.133 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 138
Gambar 4.134 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 139
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxiv
Gambar 4.135 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 139
Gambar 4.136 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 140
Gambar 4.137 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 141
Gambar 4.138 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 142
Gambar 4.139 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 142
Gambar 4.140 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 143
Gambar 4.141 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Guru
Sekolah Dasar…………….............................................................................. 144
Gambar 4.142 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 145
Gambar 4.143 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 145
Gambar 4.144 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Pendidikan
Guru Sekolah Dasar……………………………………………………......... 146
Gambar 4.145 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 146
Gambar 4.146 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 147
Gambar 4.147 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 148
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxv
Gambar 4.148 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Pendidikan Matematika……………………………………………………... 148
Gambar 4.149 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 149
Gambar 4.150 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 150
Gambar 4.151 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 150
Gambar 4.152 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 151
Gambar 4.153 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan
Matematika………………………………………………………………….. 152
Gambar 4.154 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Matematika.. 153
Gambar 4.155 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Matematika.. 153
Gambar 4.156 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Pendidikan Matematika……… 154
Gambar 4.157 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Matematika.. 155
Gambar 4.158 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Matematika 155
Gambar 4.159 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Matematika… 156
Gambar 4.160 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Pendidikan
Matematika………………………………………………………………….. 157
Gambar 4.161 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Matematika… 157
Gambar 4.162 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Sejarah………………………………………………………………………. 158
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxvi
Gambar 4.163 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Sejarah………………………………………………………………………. 159
Gambar 4.164 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Pendidikan Sejarah………………………………………………………….. 159
Gambar 4.165 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi Pendidikan
Sejarah………………………………………………………………………. 160
Gambar 4.166 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah. 161
Gambar 4.167 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah. 161
Gambar 4.168 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah. 162
Gambar 4.169 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah. 163
Gambar 4.170 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Sejarah…….. 164
Gambar 4.171 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Sejarah…….. 164
Gambar 4.172 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Pendidikan
Sejarah……………. 165
Gambar 4.173 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Deteksi Outlier pada program Studi Pendidikan Sejarah…….. 166
Gambar 4.174 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan
Sejarah………. 166
Gambar 4.175 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan
Sejarah………. 167
Gambar 4.176 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan Pendidikan
Sejarah………………………………………………………………………. 168
Gambar 4.177 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Deteksi Outlier pada program Studi Pendidikan
Sejarah………………………………………………………………………. 168
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxvii
Gambar 4.178 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 169
Gambar 4.179 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 170
Gambar 4.180 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 170
Gambar 4.181 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 171
Gambar 4.182 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 172
Gambar 4.183 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 172
Gambar 4.184 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 173
Gambar 4.185 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 174
Gambar 4.186 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-One, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 175
Gambar 4.187 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 175
Gambar 4.188 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 176
Gambar 4.189 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 177
Gambar 4.190 Grafik akurasi menggunakan 3-Fold, Multiclass One-
Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 177
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxviii
Gambar 4.191 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 178
Gambar 4.192 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 179
Gambar 4.193 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan…………………………………………………………………... 179
DAFTAR TABEL
Tabel 2.1 Contoh data sampel………………………………………………. 11
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxix
Tabel 2.2 Plot hyperplane…………………………………………………... 12
Tabel 2.3 Klasifikasi………………………………………………………… 13
Tabel 2.4 Contoh kombinasi biner 4 kelas dengan metode one-against-all... 15
Tabel 2.5 Contoh kombinasi biner 4 kelas dengan metode one-against-one.. 17
Tabel 2.6 Ukuran evaluasi model klasifikasi……………………………….. 19
Tabel 2.7 Confusion Matrix…………………………………………………. 20
Tabel 3.1 Penjelasan Atribut dan Contoh Data……………………………... 24
Tabel 3.2 Nama dan Jangkauan Nilai Data Mahasiswa…………………….. 31
Tabel 3.3 Predikat Kualifikasi Yudisium…………………………………… 32
Tabel 3.4 Contoh Hasil Transformasi Data…………………………………. 33
Tabel 4.1 Data Sebelum Transformasi……………………………………… 43
Tabel 4.2 Data Setelah Transformasi……………………………………….. 43
Tabel 4.3 Ketentuan Pengujian Fold………………………………………... 47
Tabel 4.4 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-One,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 48
Tabel 4.5 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-One,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 48
Tabel 4.6 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-One,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 49
Tabel 4.7 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-One,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 50
Tabel 4.8 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 50
Tabel 4.9 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 51
Tabel 4.10 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 52
Tabel 4.11 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Bimbingan dan Konseling…….. 52
Tabel 4.12 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxx
Tabel 4.13 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 54
Tabel 4.14 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 55
Tabel 4.15 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Bimbingan dan Konseling……… 55
Tabel 4.16 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Bimbingan dan Konseling……………. 56
Tabel 4.17 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Bimbingan dan Konseling……………. 57
Tabel 4.18 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Bimbingan dan Konseling……………. 57
Tabel 4.19 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Bimbingan dan Konseling……………. 58
Tabel 4.20 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 59
Tabel 4.21 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 59
Tabel 4.22 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 60
Tabel 4.23 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama
Katolik………………………………………………………………………. 61
Tabel 4.24 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik 61
Tabel 4.25 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik 62
Tabel 4.26 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik 63
Tabel 4.27 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik 63
Tabel 4.28 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxi
Tabel 4.29 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 65
Tabel 4.30 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 66
Tabel 4.31 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik.. 66
Tabel 4.32 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik……... 67
Tabel 4.33 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik……... 68
Tabel 4.34 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik……... 68
Tabel 4.35 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Ilmu Pendidikan Agama Katolik……... 69
Tabel 4.36 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 70
Tabel 4.37 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Ilmu Pendidikan Akutansi. 70
Tabel 4.38 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 71
Tabel 4.39 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi…….. 72
Tabel 4.40 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi………….. 72
Tabel 4.41 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi………….. 73
Tabel 4.42 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi………….. 74
Tabel 4.43 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Akutansi………….. 74
Tabel 4.44 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 75
Tabel 4.45 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 76
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxii
Tabel 4.46 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 77
Tabel 4.47 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Akutansi……………. 77
Tabel 4.48 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Akutansi…………………. 78
Tabel 4.49 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Akutansi…………………. 79
Tabel 4.50 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Akutansi…………………. 79
Tabel 4.51 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Akutansi…………………. 80
Tabel 4.52 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 81
Tabel 4.53 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 81
Tabel 4.54 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 82
Tabel 4.55 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris 83
Tabel 4.56 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……. 83
Tabel 4.57 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……. 84
Tabel 4.58 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……. 85
Tabel 4.59 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……. 85
Tabel 4.60 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 86
Tabel 4.61 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 87
Tabel 4.62 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 88
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxiii
Tabel 4.63 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……... 88
Tabel 4.64 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……............ 89
Tabel 4.65 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa Inggris 90
Tabel 4.66 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……............ 90
Tabel 4.67 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Bahasa Inggris……............ 91
Tabel 4.68 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi…….... 92
Tabel 4.69 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi…….... 92
Tabel 4.70 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi…….... 93
Tabel 4.71 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi…….... 94
Tabel 4.72 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……............. 94
Tabel 4.73 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……............. 95
Tabel 4.74 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……............. 96
Tabel 4.75 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Biologi……............. 96
Tabel 4.76 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……............... 97
Tabel 4.77 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……............... 98
Tabel 4.78 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……............... 99
Tabel 4.79 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Biologi……............... 99
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxiv
Tabel 4.80 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Biologi……........................ 100
Tabel 4.81 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Pendidikan Biologi……..... 101
Tabel 4.82 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Biologi……........................ 101
Tabel 4.83 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Biologi……........................ 102
Tabel 4.84 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……....................................................................................... 103
Tabel 4.85 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……....................................................................................... 103
Tabel 4.86 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……....................................................................................... 104
Tabel 4.87 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan
Sastra Indonesia……....................................................................................... 105
Tabel 4.88 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 105
Tabel 4.89 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 106
Tabel 4.90 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 107
Tabel 4.91 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Tanpa Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 107
Tabel 4.92 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 108
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxv
Tabel 4.93 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 109
Tabel 4.94 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 110
Tabel 4.95 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 110
Tabel 4.96 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 111
Tabel 4.97 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Pendidikan Bahasa dan
Sastra Indonesia……....................................................................................... 112
Tabel 4.98 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 112
Tabel 4.99 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-All,
Deteksi Outlier pada program Studi Pendidikan Bahasa dan Sastra
Indonesia……................................................................................................. 113
Tabel 4.100 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 114
Tabel 4.101 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 114
Tabel 4.102 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 115
Tabel 4.103 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……. 116
Tabel 4.104 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Ekonomi………………….. 116
Tabel 4.105 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi……... 117
Tabel 4.106 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi…….. 118
Tabel 4.107 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Ekonomi…….. 118
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxvi
Tabel 4.108 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………… 119
Tabel 4.109 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………… 120
Tabel 4.110 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………… 121
Tabel 4.111 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………… 121
Tabel 4.112 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………….. 122
Tabel 4.113 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Ekonomi... 123
Tabel 4.114 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………….. 123
Tabel 4.115 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Ekonomi…………….. 124
Tabel 4.116 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika……….. 125
Tabel 4.117 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika……….. 125
Tabel 4.118 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika……….. 126
Tabel 4.119 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika……….. 127
Tabel 4.120 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika………… 127
Tabel 4.121 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika………… 128
Tabel 4.122 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika………… 129
Tabel 4.123 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Fisika………… 129
Tabel 4.124 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Fisika………………. 130
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxvii
Tabel 4.125 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Fisika………………. 131
Tabel 4.126 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Fisika………………. 132
Tabel 4.127 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Fisika………………. 132
Tabel 4.128 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Fisika………………... 133
Tabel 4.129 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Pendidikan Fisika…… 133
Tabel 4.130 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Fisika………………... 134
Tabel 4.131 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Fisika………………... 135
Tabel 4.132 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 136
Tabel 4.133 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 136
Tabel 4.134 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 137
Tabel 4.135 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 138
Tabel 4.136 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 138
Tabel 4.137 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 139
Tabel 4.138 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 140
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxviii
Tabel 4.139 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Guru Sekolah
Dasar………………………………………………………………………… 140
Tabel 4.140 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar... 141
Tabel 4.141 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar... 142
Tabel 4.142 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar... 143
Tabel 4.143 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar... 143
Tabel 4.144 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar..... 144
Tabel 4.145 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar..... 145
Tabel 4.146 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar..... 145
Tabel 4.147 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Guru Sekolah Dasar..... 146
Tabel 4.148 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika..... 147
Tabel 4.149 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika..... 147
Tabel 4.150 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika..... 148
Tabel 4.151 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika..... 149
Tabel 4.152 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika....... 149
Tabel 4.153 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika....... 150
Tabel 4.154 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika....... 151
Tabel 4.155 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Matematika....... 151
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xxxix
Tabel 4.156 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Matematika................ 152
Tabel 4.157 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Matematika................ 153
Tabel 4.158 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Matematika................ 154
Tabel 4.159 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Matematika................ 154
Tabel 4.160 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Matematika.................. 155
Tabel 4.161 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Pendidikan
Matematika...................................................................................................... 156
Tabel 4.162 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Matematika.................. 156
Tabel 4.163 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Matematika.................. 157
Tabel 4.164 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah............ 158
Tabel 4.165 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah............ 158
Tabel 4.166 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah............ 159
Tabel 4.167 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah............ 160
Tabel 4.168 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah……….. 160
Tabel 4.169 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah.............. 161
Tabel 4.170 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah.............. 162
Tabel 4.171 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada program Studi Pendidikan Sejarah.............. 162
Tabel 4.172 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Sejarah....................... 163
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xl
Tabel 4.173 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Sejarah....................... 164
Tabel 4.174 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Sejarah....................... 165
Tabel 4.175 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada program Studi Pendidikan Sejarah....................... 165
Tabel 4.176 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Sejarah......................... 166
Tabel 4.177 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Sejarah......................... 167
Tabel 4.178 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Sejarah......................... 167
Tabel 4.179 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada program Studi Pendidikan Sejarah......................... 168
Tabel 4.180 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan….. 169
Tabel 4.181 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan….. 169
Tabel 4.182 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan….. 170
Tabel 4.183 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan….. 171
Tabel 4.184 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…… 171
Tabel 4.185 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…… 172
Tabel 4.186 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…… 173
Tabel 4.187 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Tanpa Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…… 173
Tabel 4.188 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
One, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………. 174
Tabel 4.189 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
One, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………. 175
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xli
Tabel 4.190 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
One, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………. 176
Tabel 4.191 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
One, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………. 176
Tabel 4.192 Hasil akurasi menggunakan 3-Fold, Multiclass One-Against-
All, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………... 177
Tabel 4.193 Hasil akurasi menggunakan 5-Fold, Multiclass One-Against-
All, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………... 178
Tabel 4.194 Hasil akurasi menggunakan 7-Fold, Multiclass One-Against-
All, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………... 178
Tabel 4.195 Hasil akurasi menggunakan 9-Fold, Multiclass One-Against-
All, Deteksi Outlier pada Fakultas Guruan dan Ilmu Pendidikan…………... 179
Tabel 4.196 Akurasi Tertinggi Setiap Program Studi………………………. 180
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pendidikan adalah proses pengubahan sikap dan tata laku seseorang
atau kelompok orang dalam usaha mendewasakan manusia melalui upaya
pengajaran dan pelatihan menurut KBBI (Kamus Besar Bahasa Indonesia).
Dunia pendidikan sangatlah penting untuk membangun daya pikir dan
kemampuan yang dimiliki setiap warga negara sebagai pondasi untuk
membantu negara dalam berbagai sektor. Agar tertata dengan baik,
pendidikan di setiap negara harus memiliki sistem yang jelas sesuai
kebutuhan negara masing – masing. Di Indonesia, sistem pendidikan tertulis
dalam Undang – Undang No.20 Tahun 2003 tentang Sistem Pendidikan
Nasional. Jenjang pendidikan di Indonesia terdiri dari Pendidikan Usia Dini,
Taman Kanak – Kanak, Sekolah Dasar, Sekolah Menengah Pertama,
Sekolah Menengah Atas, dan Perguruan Tinggi.
Di saat ingin memasuki dunia pendidikan jenjang perguruan tinggi,
calon mahasiswa mengikuti seleksi masuk program studi yang diminati.
Dalam seleksi masuk program studi, calon mahasiswa mengerjakan tes
potensi akademik untuk mengidentifikasi apakah kemampuan yang dimiliki
dapat mengikuti perkuliahan selama 8 semester kedepan. Komponen tes
potensi akademik yang biasa diujikan yaitu Penalaran Verbal, Kemampuan
Numerik, Penalaran Mekanik, Hubungan Ruang, dan Bahasa Inggris.
Universitas Sanata Dharma memiliki beberapa fakultas, salah
satunya yaitu Fakultas Keguruan dan Ilmu Pendidikan (FKIP). Fakultas
Keguruan dan Ilmu Pendidikan memiliki 12 program studi yaitu Bimbingan
dan Konseling, Pendidikan Keagamaan Katolik, Pendidikan Guru Sekolah
Dasar, Pendidikan Bahasa Inggris, Pendidikan Bahasa dan Sastra Indonesia,
Pendidikan Sejarah, Pendidikan Ekonomi, Pendidikan Akutansi,
Pendidikan Matematika, Pendidikan Fisika, Pendidikan Biologi, dan
Pendidikan Kimia. Setiap calon mahasiswa yang ingin masuk kedalam
program studi pada fakultas Keguruan dan Ilmu Pendidikan, mengikuti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
seleksi pada jalur tes menggunakan tes potensi akademik. Hasil dari tes
potensi akademik sebagai acuan untuk seleksi calon mahasiswa dapat
masuk sesuai program studi yang diinginkan atau tidak. Selama ini tidak
ada klasifikasi prestasi akademik mahasiswa yang diambil dari tes potensi
akademik. Hal tersebut dapat membantu proses pendampingan akademik
mahasiswa selama proses perkuliahan.
Penelitian yang berkaitan dengan akademik sebelumnya telah
dilakukan penelitian menggunakan metode klasifikasi. Salah satunya
dilakukan oleh Kurniawan (2019) dengan judul penelitian “Prediksi Prestasi
Akademik Mahasiswa Berdasarkan Hasil Tes Potensi Akademik dengan
Algoritma K-Nearest Neighbor”. Hasil dari penelitiannya adalah akurasi
tertinggi pada dataset IPK 4 jurusan Pendidikan Guru Sekolah Dasar
(PGSD) sebesar 70% diperoleh ketika k-fold sebesar 25. Penelitian lainya
dilakukan oleh Mandias (2015) dengan judul penelitian “Penerapan Data
Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Di Universitas
Klabat Dengan Metode Klasifikasi”. Hasil dari penelitiannya adalah
seorang mahasiswa dapat menyelesaikan studinya jika mempunyai indeks
prestasi 3,5 – 3,87 (magda) serta penempatan bahasa inggris berada pada
label adv dan inter. Penelitian lainnya dilakukan oleh Farida & Ratih (2017)
dengan judul penelitian “Penggunaan Algortima Naïve Bayes Untuk
Mengevaluasi Prestasi Akademik Mahasiswa Universitas Nusantara PGRI
Kediri”. Hasil akurasi yang dari penelitan tersebut sebesar 66,6%. Penelitian
lainnya dilakukan oleh Sabna & Muhardi (2015) dengan judul penelitian
“Penerapan Data Mining Untuk Memprediksi Prestasi Akademik
Mahasiswa Berdasarkan Dosen, Motivasi, Kedisiplinan, Ekonomi, dan
Hasil Belajar”. Hasil dari penelitiannya adalah terdapat 3 variabel yang
berpengaruh dalam prediksi prestasi akademik mahasiswa yaitu variabel
hasil belajar masa lalu, variabel peran dosen, dan variabel disiplin. Hasil
akurasi yang didapat sebesar 65% dengan menggunakan metode Area
Under Curve (AUC).
Penelitian tentang klasifikasi menggunakan metode Support Vector
Machine sebelumnya pernah dilakukan. Salah satunya adalah Windrawati
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
(2020) dengan judul penelitiannya “Klasifikasi Varietas Kopi Arabika
Menggunakan Metode Support Vector Machine (SVM)”. Hasil akurasi
yang didapat dari penelitiannya sebesar 48,33% dengan menggunakan
kernel polynomial. Penelitian lainnya yaitu Octaviani, et.al (2014) dengan
judul penelitiannya “Penerapan Metode Klasifikasi Support Vector
Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten
Magelang”. Dalam penelitiannya menggunakan data training sebanyak 337
menghasilkan nilai akurasi 100% menggunakan fungsi kernel Gaussian
Radial Basic Function (RBF) dan 98,810% menggunakan fungsi kernel
Polynomial. Penelitian lainnya yaitu Hasibuan, et.al (2017) dengan judul
penelitian “Klasifikasi Diagnosa Penyakit Demam Berdarah Dengue (DBD)
Menggunakan Support Vector Machine (SVM) Berbasis GUI Matlab”.
Dalam penelitiannya data yang digunakan dari tahun 2015 – 2016 dan
mendapatkan hasil akurasi sebesar 96,4286% dengan menggunakan kernel
polynomial. Penelitian lainnya yaitu Kurniawaty et.al (2018) dengan judul
penelitian “Klasifikasi Gangguan Jiwa Skizofrenia Menggunakan
Algortima Support Vector Machine (SVM)”. Dalam penelitiannya
menghasilkan akurasi sebesar 100% dengan kernel polynomial.
Berdasarkan latar belakang tersebut, dalam penelitian ini penulis
akan menggunakan metode Support Vector Machine (SVM) untuk
mengklasifikasikan prestasi akademik mahasiswa. Dengan adanya
penelitian ini diharapakan dapat membantu pihak kampus dalam
mengetahui kemampuan calon mahasiswa berdasarkan hasil tes potensi
akademik.
1.2 Rumusan Masalah
1. Bagaimana menerapkan Support Vector Machine dalam klasfikasi
prestasi akademik mahasiswa berdasarkan hasil tes potensi akademik?
2. Berapa akurasi terbaik yang diperoleh dari klasifikasi penerima prestasi
akademik mahasiswa berdasarkan hasil tes potensi akademik
menggunakan metode Support Vector Machine?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
3. Berapa akurasi rata-rata terbaik pada dataset Fakultas Keguruan dan
Ilmu Pendidikan yang diperoleh dari klasifikasi penerima prestasi
akademik mahasiswa berdasarkan hasil tes potensi akademik
menggunakan metode Support Vector Machine?
1.3 Tujuan Penelitian
1. Membangun sistem klasifikasi prestasi akademik mahasiswa
berdasarkan hasil tes potensi akademik menggunakan metode Support
Vector Machine (SVM).
2. Menguji akurasi yang dihasilkan oleh metode Support Vector Machine.
1.4 Batasan Masalah
Dalam penelitian ini, masalah yang dibatasi yaitu:
1. Studi kasus data nilai mahasiswa Fakultas Keguruan dan Ilmu
Pendidikan Universitas Sanata Dharma Yogyakarta 2015 dan 2016.
2. Data yang digunakan adalah data hasil Tes Potensi Akademik dan
Indeks Prestasi Kumulatif 1 hingga 4.
3. Metode yang digunakan adalah Support Vector Machine.
1.5 Manfaat Penelitian
Manfaat yang didapat dari penelitian ini adalah:
1. Menambah wawasan, pengetahuan, dan mampu
mengimplementasikan algoritma Support Vector Machine (SVM)
khususnya saat melakukan klasifikasi.
2. Membantu pihak yang berkaitan dengan lembaga pendidikan
khususnya dalam mengklasifikasikan prestasi akademik mahasiswa.
1.6 Sistematika Penulisan
Sistematika penelitian yang digunakan:
1. BAB I PENDAHULUAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
Bab ini berisi uraian latar belakang, rumusan masalah, tujuan
penelitian, manfaat penelitian, batasan masalah dan sistematika
penulisan
2. BAB II TINJAUAN PUSTAKA
Bab ini berisi uraian landasan teori yang berkaitan dengan
penelitian ini.
3. BAB III METODOLOGI PENELITIAN
Bab ini berisi langkah – langkah dalam menyelesaikan penelitian
ini.
4. BAB IV IMPLEMENTASI DAN ANALISIS HASIL
Bab ini berisi implementasi yang telah dirancang dan analisis yang
didapatkan pada penambangan data.
5. BAB V PENUTUP
Bab ini berisi kesimpulan dari penelitian yang sudah dibangun serta
saran untuk pengembangan sistem selanjutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB II
TINJAUAN PUSTAKA
2.1 Penambangan Data
Penambangan data merupakan sebuah proses menemukan
pengetahuan dari kumpulan data yang banyak (Jiawei, et.al., 2012). Dalam
menemukan pengetahuan (knowledge) ada beberapa tahapan yang disebut
sebagai Knowledge Discovery from Data (KDD). Berikut ini tahapan dalam
KDD:
1. Data cleaning
Dalam tahapan ini proses mengahapus data yang bersifat noise
dan data yang tidak konsisten.
2. Data integration
Dalam tahapan ini proses menggabungkan data jika sumber
data lebih dari satu.
3. Data selection
Dalam tahapan ini proses memilih data yang relevant untuk
dianalisis.
4. Data transformation
Dalam tahapan ini proses merubah data ke bentuk data yang
sesuai mining dengan melakukan operasi ringkasan atau agregasi.
5. Data mining
Dalam tahapan ini proses terpenting untuk menerapkan
metode yang cerdas dalam menenmukan pola data.
6. Pattern evaluation
Dalam tahapan ini proses mengidentifikasi pola yang
merepresentasikan pengetahuan berdasarkan interesting measures.
7. Knowledge presentation
Dalam tahapan ini proses visualisasi dan merepresentasikan
pengetahuan yang didapat untuk disajikan kepada user.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Dalam penambangan data terdapat dua fungsi utama yaitu deskriptif
dan prediktif. Fungsi deskriptif dalam penambangan data untuk memahami
tentang data yang diteliti dengan melalui berbagai proses metode dan
hasilnya akan terlihat karakteristik data tersebut. Fungsi prediktif dalam
penambangan data untuk mengetahui pola tertentu dari suatu data yang
diteliti melalui berbagai proses metode dan hasilnya akan terlihat variabel
yang berpengaruh dalam menentukan prediksi.
Metode learning pada penambangan data dibagi menjadi tiga yaitu
supervised learning, unsupervised learning, dan semi-supervised learning.
Supervised learning merupakan metode learning yang prosesnya
berdasarkan nilai dari variabel target yang sudah terasosiasi dengan nilai
dari variabel prediktor. Unsupervised learning merupakan metode learning
yang mencari pola dari semua atribut pada dataset. Semi-supervised
leraning merupakan metode learning yang prosesnya menggunakan data
dengan atribut dan tidak beratribut sekaligus untuk membentuk model dan
membuat batasan.
2.2 Klasifikasi
Klasifikasi merupakan proses untuk menemukan sebuah model atau
fungsi yang dapat mendeskripsikan dan membedakan kelas data atau konsep
(Jiawei, et.al. 2012). Dengan menggunakan teknik klasifikasi ini, data yang
sudah dipelajari akan menghasilkan suatu pola atau model. Hasil dari pola
yang sudah ditemukan dapat digunakan untuk klasifikasi data baru yang
belum pernah dipelajari sebelumnya. Model dalam melakukan teknik
klasifikasi dapat direpresentasikan beberapa bentuk yaitu classification
rules (IF – THEN rules), decision trees, mathematical formulae, or neural
networks (Jiawei, et.al. 2012).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
2.3 Support Vector Machine (SVM)
Support Vector Machine merupakan metode klasifikasi berdasarkan
nilai maksimum pada diskriminan margin linier, tujuannya untuk
menemukan hyperplane yang optimal dengan memaksimalkan jarak atau
margin antar kelas. Selanjutnya, menggunakan kernel trick untuk
menemukan batas keputusan yang optimal antar kelas, yang berhubungan
dengan hyperplane di beberapa ruang “nonlinier” berdimensi tinggi (Zaki
& Jr., 2013).
Pertama kali Support Vector Machine diperkenalkan pada tahun
1992 oleh Vladimir Vapink bersama koleganya yaitu Bernhard Boser dan
Isabelle Guyon, meskipun dasar tentang SVM sudah ada pada tahun 1960.
Support Vector Machine dalam proses training dapat memakan waktu yang
cepat bahkan waktu yang sangat lambat, namun mendapatkan hasil akurasi
yang sangat akurat, karena membuat model batas keputusan nonliniear yang
komplek. Vektor pendukung yang ditemukan juga dapat mendeskripsikan
dari model yang dipelajari (Jiawei, et.al., 2012).
Gambar 2.1 Hyperplane (Nugroho, et.al., 2003)
Konsep proses pelatihan pada SVM yaitu dengan mencari lokasi
hyperplane. Pilihan dalam menentukan hyperplane yang mungkin disuatu
set data seperti pada gambar 2.1(a), sedangkan hyperplane dengan margin
maskimal pada gambar 2.1(b). Untuk menentukan hyperplane yang terbaik
dengan cara mengukur margin hyperlane dan mencari titik maksimalnya.
Margin adalah jarak antara hyperplane tersebut dengan pattern terdekat dari
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
masing – masing class. Pattern yang paling dekat disebut support vector
(Nugroho, et.al., 2003).
Gambar 2.2 Margin Hyperplane
Hyperplane pemisah dapat ditulis sebagai berikut :
W. Xi + b = 0 (2,1)
Keterangan :
W = Bobot vector
Xi = Nilai masukkan atribut
b = Bias
Sehingga mendapatkan 2 kelas yaitu kelas positf dan kelas negatif.
Dalam gambar 2.2 terdapat 2 kelas dan dipisahkan dengan dua bidang
pembatas sejajar. Data pada kelas positif disimbolkan dengan segitiga
berwarna kuning, sedangkan data pada kelas negatif disimbolkan dengan
lingkaran berwarna cokelat. Persamaan yang diperoleh:
W.Xi + b ≥ +1 for γ = +1 (2,2)
W.Xi + b ≤ -1 for γ = -1 (2,3)
Margin hyperplane terbaik dapat ditemukan dengan
memaksimalkan nilai jarak antara hyperlane dan titik terdekatnya dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
1
||𝑤||. Hal tersebut dapat dimasukan kedalam Quadratic Programming (OP),
untuk mencari titik minimal dengan rumus:
𝜏𝑤𝑚𝑖𝑛 (𝑤) =
1
2 ||𝑤||2 (2,4)
dengan batasan
𝑦𝑖 (𝑥𝑖. 𝑤 + 𝑏) − 1 ≥ 0 (2,5)
Permasalahan tersebut dapat diselesaikan menggunakan Lagrange
multipliers :
𝐿(𝑤, 𝑏, 𝑎) =1
2||𝑤||2 − ∑ 𝑎𝑖(𝑦𝑖(𝑥𝑖. 𝑤 + 𝑏) − 1), 𝑖 = 1,2, … 𝑙𝑙
𝑖=1 (2,6)
Dimana 𝑎𝑖 ≥ 0 merupakan Lagrange multipliers. Nilai optimal dari
persamaan tersebut dapat dihitung dengan meminimalkan nilai 𝐿 terhadap
nilai 𝑤 dan 𝑏 sekaligus memaksimalkan nilai 𝐿 terhadap nilai 𝑎𝑖. Dengan
titik optimal gradien 𝐿 = o, persamaan dapat dimodifikasi dengan
memaksimalkan
∑ 𝑎𝑖 − 1
2
𝑙𝑖=1 ∑ 𝑎𝑖𝑎𝑗𝑦𝑖𝑦𝑗
𝑙𝑖,𝑖=1 𝑥𝑖𝑥𝑗 (2,7)
Yang tunduk pada
𝑎𝑖 ≥ 0 (𝑖 = 1,2, … , 𝑙) ∑ 𝑎𝑖𝑦𝑖 = 0𝑙𝑖=1 (2,8)
Maksimalisasi ini menghasilkan sejumlah 𝑎𝑖 yang bernilai positif.
Data – data yang berhubungan dengan 𝑎𝑖 positif inilah yang disebut support
vector. Fungsi pemisah dapat didefinisikan sebagai berikut :
𝑔(𝑥) ≔ 𝑠𝑔𝑛(𝑓(𝑥)) (2,9)
𝐷𝑒𝑛𝑔𝑎𝑛 𝑓(𝑥) = 𝑤𝑇𝑥 + 𝑏 (2,10)
Berikut ilustrasi cara kerja Support Vector Machine dengan data seperti
pada Tabel 2.1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Tabel 2.1 Contoh data sampel
X1 X2 yi
2 2 1
4 2 -1
2 4 -1
2 6 1
Terdapat dua atribut yaitu x1 dan x2 yang akan menghasilkan dua bobot
yaitu w1 dan w2. Kemudian margin diminimalkan menggunakan rumus
pada persamaan 2.4 dengan syarat sebagai berikut:
𝑦𝑖 (𝑤. 𝑥𝑖 + 𝑏) ≥ 1, 𝑖 = 1,2,3 … . . 𝑁
𝑦𝑖 (𝑤𝑖. 𝑥𝑖 + 𝑤𝑖. 𝑥𝑖 + 𝑏) ≥ 1
Sehingga diperoleh persamaan sebagai berikut:
1) 1(2𝑤1 + 2𝑤2 + 𝑏) ≥ 1 → 2𝑤1 + 2𝑤2 + 𝑏) ≥ 1
2) −1(4𝑤1 + 2𝑤2 + 𝑏) ≥ 1 → −4𝑤1 − 2𝑤2 − 𝑏) ≥ 1
3) −1(2𝑤1 + 4𝑤2 + 𝑏) ≥ 1 → −2𝑤1 − 4𝑤2 − 𝑏) ≥ 1
4) 1(2𝑤1 + 6𝑤2 + 𝑏) ≥ 1 → 2𝑤1 + 6𝑤2 + 𝑏) ≥ 1
Kemudian mencari nilai w dari persamaan 1 dan 2 beserta persamaan 3 dan
4 sebagai berikut:
1) (2𝑤1 + 2𝑤2 + 𝑏) ≥ 1 3) (−2𝑤1 − 4𝑤2 − 𝑏) ≥ 1
2) (−4𝑤1 − 2𝑤2 − 𝑏) ≥ 1 4) (2𝑤1 + 6𝑤2 + 𝑏) ≥ 1
____________________+ _____________________+
−2𝑤1 = 2 2𝑤2 = 2
𝑤1 = −1 𝑤2 = 1
Setelah nilai w sudah ditemukan, maka selanjutnya mencari nilai b dari
persamaan 1 dan 4 sebagai berikut:
(2𝑤1 + 2𝑤2 + 𝑏) ≥ 1
(2𝑤1 + 6𝑤2 + 𝑏) ≥ 1
____________________+
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
(4𝑤1 + 8𝑤2 + 2𝑏) = 2
4(−1) + 8(1) + 2𝑏 = 2
−4 + 8 + 2𝑏 = 2
4 + 2𝑏 = 2
2𝑏 = 2 − 4
2𝑏 = −2
𝑏 = −1
Persamaan hyperplane menjadi:
𝑤1. 𝑥1 + 𝑤2. 𝑥2 + 𝑏 = 0
−1. 𝑥1 + 1. 𝑥2 − 1 = 0
𝑥2 = 𝑥1 + 1
Selanjutnya dibuat plot hyperplane dengan fungsi 𝑥2 = 𝑥1 + 1
menggunakan data pada Tabel 2.2
Tabel 2.2 Plot hyperplane
X1 X2 = X1 + 1
-6 -5
-4 -3
-2 -1
0 1
2 3
4 5
6 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Gambar 2.3 Visualiasasi Hyperplane
Setelah ditentukan garis hyperplane seperti pada Gambar 2.3, maka
langkah selanjutnya yaitu melakukan klasifikasi data uji melalui hyperplane
dengan menggunakan fungsi 𝑓(𝑥) = −𝑥1 + 𝑥2 − 1 dengan 𝑔(𝑥) =
𝑠𝑔𝑛(𝑓(𝑥)). Berikut Tabel 2.3 data untuk melakukan klasifikasi:
Tabel 2.3 Klasifikasi
No X1 X2 Hasil Klasifikasi (Kelas = 𝑔(𝑥) = 𝑠𝑔𝑛(𝑓(𝑥)))
1 4 8 Sgn(-4 + 8 - 1) = 1
2 2 1 Sgn(-2 + 1 – 1) = -1
3 -1 6 Sgn(-(-1) + 6 – 1) = 1
4 -2 -4 Sgn(-(-2) + (-4) – 1) = -1
Hasil dari klasifikasi tersebut, maka divisualiasikan terhadap hyperplane
yang sudah ditentukan. Gambar 2.4 menunjukkan hasil klasifikasi dengan
visualiasai garis hyperplane Tabel 2.3 dengan label kelas positif
disimbolkan warna hijau dan kelas negatif disimbolkan warna merah.
-6
-4
-2
0
2
4
6
8
-8 -6 -4 -2 0 2 4 6 8
x1
x2
Visualisasi Hyperplane
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Gambar 2.4 Hasil Klasifikasi
Pada umumnya, terdapat empat jenis fungsi kernel yang bisa
digunakan yaitu:
1. Kernel linear
𝐾(𝑥, 𝑥𝑘) = 𝑥𝑘𝑇𝑥 (2,11)
2. Kernel polynomial
𝐾(𝑥, 𝑥𝑘) = (𝑥𝑘𝑇𝑥 + 1)𝑑 (2,12)
3. Kernel Gaussian (radial basis function, RBF)
𝐾(𝑥, 𝑥𝑘) = exp {−||𝑥 − 𝑥𝑘| |22/𝜎2} (2,13)
4. Kernel Sigmoid
𝐾(𝑥, 𝑥𝑘) = 𝑡𝑎𝑛ℎ[𝑘 𝑥𝑘𝑇 𝑥 + 𝜃] (2,14)
Fungsi kernel tersebut digunakan untuk menentukan support vector.
Kemudian SVM melakukan proses klasifikasi terhadap objek data 𝑥 dapat
diformulasikan dengan persamaan sebagai berikut :
𝑓(𝑥) = ∑ 𝑎𝑖𝑦𝑖𝐾𝑛𝑖=1,𝑥𝑖∈𝑆𝑉 (𝑥, 𝑥𝑖) + 𝑏 (2,15)
SV merupakan objek – objek data pada himpunan data latih yang
terpilih sebagai support vector (Suyanto,2019).
-6
-4
-2
0
2
4
6
8
-8 -6 -4 -2 0 2 4 6 8
x1
x2
Hasil Klasifikasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
2.4 Multi Class SVM
SVM pertama kali diperkenalkan oleh Vapink pata tahun 1992,
dengan melakukan klasifikasi data ke dalam dua kelas. Dengan ada
perkembangan dan riset penelitian lebih lanjut memungkinkan SVM
menjadi multi kelas (multi class) yang mampu mengklasifikasikan lebih dari
dua kelas. Terdapat dua pendekatan dalam mengimplementasikan SVM
multi kelas. Pendekatan pertama, menggabungkan berapa SVM biner.
Pendekatan kedua, menggabungkan semua data dari semua kelas ke dalam
sebuah bentuk permasalahan optimasi (Suyanto,2019). Berikut beberapa
metode pendekatan yang pertama:
2.4.1 One-against-all (Satu lawan semua)
Metode pendekatan ini dengan membandingkan satu kelas
dengan semua kelas lainnya. Dalam mengklasifikasikan data ke
dalam 𝑘 kelas, harus membangun sejumlah 𝑘 model SVM biner.
Setiap model SVM biner ke – 𝑖 dilatih menggunakan seluruh
data, untuk mencari hasil klasifikasi sebagai kelas ke – 𝑖 atau
tidak (Suyanto,2019). Contohnya, suatu permasalah klasifikasi
pada 4 buah kelas, maka dibangun model SVM biner sebanyak
4 buah seperti terlihat pada Tabel 2.4 dan Gambar 2.5. Kemudian
SVM biner yang pertama dilatih dengan menggunakan semua
data latih.
Tabel 2.4 Contoh kombinasi biner 4 kelas dengan metode one-
against-all
𝑦𝑖 = 1 𝑦𝑖 = −1 Hipotesis
Kelas 1 Kelas 1 𝑓1(𝑥) = (𝑤1) 𝑥 + 𝑏1
Kelas 2 Kelas 2 𝑓2(𝑥) = (𝑤2) 𝑥 + 𝑏2
Kelas 3 Kelas 3 𝑓3(𝑥) = (𝑤3) 𝑥 + 𝑏3
Kelas 4 Kelas 4 𝑓4(𝑥) = (𝑤4) 𝑥 + 𝑏4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
Gambar 2.5 Skema klasifikasi menggunakan metode one-against-all
2.4.2 One-against-one (satu lawan satu)
Metode pendekatan ini dengan membangun model SVM
biner yang membandingkan satu kelas dengan kelas lainnya.
Untuk mengklasifikasikan data ke dalam 𝑘 kelas, harus
membangun model SVM biner sejumlah 𝑘(𝑘−1)
2 yang mana 𝑘
merupakan jumlah kelas (Suyanto,2019). Jika terdapat 4 kelas
maka harus dibuat sejumlah 4(4−1)
2 = 6 buah SVM biner.
Sehingga setiap kelas dibandingkan kelas lainnya seperti pada
Tabel 2.5. Cara voting dilakukan untuk mendapatkan kelas
keputusan. Berikut ilustrasi klasifikasi dengan 4 kelas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Tabel 2.5 Contoh kombinasi biner 4 kelas dengan metode one-
against-one
𝑦𝑖 = 1 𝑦𝑖 = −1 Hipotesis
Kelas 1 Kelas 2 𝑓12(𝑥) = (𝑤12) 𝑥 + 𝑏12
Kelas 1 Kelas 3 𝑓13(𝑥) = (𝑤13) 𝑥 + 𝑏13
Kelas 1 Kelas 4 𝑓14(𝑥) = (𝑤14) 𝑥 + 𝑏14
Kelas 2 Kelas 3 𝑓23(𝑥) = (𝑤23) 𝑥 + 𝑏23
Kelas 2 Kelas 4 𝑓24(𝑥) = (𝑤24) 𝑥 + 𝑏24
Kelas 3 Kelas 4 𝑓34(𝑥) = (𝑤34) 𝑥 + 𝑏34
Setelah kelas biner terbentuk sesuai kombinasi, maka akan
dilakukan perbandingan tiap kelasnya. Pada Gambar 2.5 kelas
𝑓12(𝑥) diklasifikasikan untuk masuk ke dalam kelas 1 atau kelas
2, diasumsikan pada contoh ditentukan masuk pada kelas 1. Hal
tersebut sama dilakukan oleh kelas lainnya dalam
membandingkan untuk mendapatkan hasil klasifikasi. Setelah
mendapat kelas keputusan, maka dilakukan cara voting untuk
menghitung hasil terbanyak. Pada contoh Gambar 2.6 kelas 1
mendapat voting terbanyak, sehingga hasil klasifikasi yaitu pada
kelas 1.
Gambar 2.6 Skema klasifikasi menggunakan metode one-
against-one (Wicaksono,2017)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
2.5 K-Fold Cross Validation
Salah satu metode untuk mengevaluasi model klasifikasi yaitu K-
Fold Cross Validation. Cara kerja metode K-Fold Cross Validation yaitu
dengan mempartisi himpunan data 𝐷 secara acak menjadi
𝑘 𝑓𝑜𝑙𝑑 (subhimpunan) yang saling bebas : 𝑓1, 𝑓2, … 𝑓𝑘, sehingga masing –
masing 𝑓𝑜𝑙𝑑 berisi 1
𝑘 bagian data. Selanjutnya membangun 𝑘 himpunan data
: 𝐷1, 𝐷2, … 𝐷𝑘 yang masing – masing berisi (𝑘 − 1) 𝑓𝑜𝑙𝑑 sebagai data
training, 1 𝑓𝑜𝑙𝑑 sebagai data testing. Sebagai contoh, dengan 𝑘 = 5, maka
himpunan data 𝐷1 berisi empat 𝑓𝑜𝑙𝑑: 𝑓2, 𝑓3, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training
dan satu 𝑓𝑜𝑙𝑑: 𝑓1 sebagai data testing. Himpunan data 𝐷2 berisi empat 𝑓𝑜𝑙𝑑:
𝑓1, 𝑓3, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training dan satu 𝑓𝑜𝑙𝑑: 𝑓2 sebagai data testing.
Begitu pun seterusnya terhadap himpunan data 𝐷3, 𝐷4, 𝐷5. Selain itu K-Fold
Cross Validation dapat membagi tiga himpunan yaitu data training, data
testing, dan data validation. Sehingga masing - masing berisi (𝑘 − 2) 𝑓𝑜𝑙𝑑
sebagai data training, 1 𝑓𝑜𝑙𝑑 sebagai data validation, dan 1 𝑓𝑜𝑙𝑑 sebagai
data testing. Sebagai contoh, dengan 𝑘 = 5, maka himpunan data 𝐷1 berisi
tiga 𝑓𝑜𝑙𝑑: 𝑓3, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training, 𝑓𝑜𝑙𝑑: 𝑓2 sebagai data
validation, dan satu 𝑓𝑜𝑙𝑑: 𝑓1 sebagai data testing. Himpunan data 𝐷2 berisi
tiga 𝑓𝑜𝑙𝑑: 𝑓1, 𝑓4, 𝑑𝑎𝑛 𝑓5 sebagai data training, 𝑓𝑜𝑙𝑑: 𝑓3 sebagai data
validation dan satu 𝑓𝑜𝑙𝑑: 𝑓2 sebagai data testing. Begitu pun seterusnya
terhadap himpunan data 𝐷3, 𝐷4, 𝐷5. Dengan metode k-fold cross validation
bisa mengukur kualitas model klasifikasi yang sudah dibangun (Suyanto,
2019). Sebagai ilustrasi pembagian data menggunakan 3-Fold Cross
Validation dengan 1 data testing dan 2 data training dari jumlah data
sebanyak 3:
Fold 1
Fold 2
Fold 3
Fold 1
Fold 2
Fold 3
Fold 1
Fold 2
Fold 3
Model 1 Model 2 Model 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Keterangan:
Kelompok Data Testing
Kelompok Data Training
Gambar 2.7 Ilustrasi pembagian data 3-Fold Cross Validation
2.6 Confusion Matrix
Confusion matrix merupakan sebuah metode untuk mengukur
seberapa baik atau besar nilai akurasi yang didapat dari hasil model
klasifikasi yang sudah dibangun. Confusion matrix terdiri dari jumlah data
testing yang benar dan salah setelah dilakukan klasifikasi. Terdapat
beberapa ukuran yang dapat digunakan untuk menilai atau mengevaluasi
model klasifikasi, yaitu accuracy atau tingkat pengenalan, error rate atau
tingkat kesalahan, recall atau sensitivity, specificity atau true negative rate,
precision, F-measure atau F-score dari precission dan recall, dan 𝐹𝛽 (J.Han,
et.al., 2012).
Tabel 2.6 Ukuran evaluasi model klasifikasi
Ukuran Rumus
Accuracy atau tingkat
pengenalan
𝑇𝑃 + 𝑇𝑁
𝑃 + 𝑁
Error rate atau tingkat
kesalahan
𝐹𝑃 + 𝐹𝑁
𝑃 + 𝑁
Recall atau sensitivity 𝑇𝑃
𝑃
Sprecificity atau true negative
rate
𝑇𝑁
𝑁
Precision 𝑇𝑃
𝑇𝑃 + 𝐹𝑃
F-measure atau F-score dari
precision dan recall
2 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑥 𝑟𝑒𝑐𝑎𝑙𝑙
𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙
𝐹𝛽, dimana β merupakan
bilangan riil nonnegatif
(1 + 𝛽2) 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 𝑥 𝑟𝑒𝑐𝑎𝑙𝑙
𝛽2 𝑥 𝑝𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑟𝑒𝑐𝑎𝑙𝑙
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
Terdapat istilah penting dalam memahami ukuran evaluasi dalam tabel:
➢ TP atau True Positives merupakan jumlah tuple positif yang dilabeli
dengan benar oleh classifier.
➢ TN atau True Negatives merupakan jumlah tuple negatif yang
dilabeli dengan benar oleh classifier.
➢ FP atau False Positives merupakan jumlah tuple negatif yang salah
dilabeli oleh classifier.
➢ FN atau False Negatives merupakan jumlah tuple positif yang salah
dilabeli oleh classifier.
Isitilah diatas dapat digambarkan sebagai confusion matrix yang
diilustrasikan sebagai berikut:
Tabel 2.7 Confusion Matrix
Ya Tidak Jumlah
Kelas aktual Ya TP FN P
Tidak FP TN N
Jumlah P’ N’ P + N
TP dan TN menyatakan bahwa classifier mengenali tuple dengan
benar yang berarti tuple positif dikenali sebagai positif dan tuple negatif
dikenali sebagai negatif. Sebaliknya, FP dan DN menyatakan bahwa
classifier mengenali tuple dengan salah yang berarti tuple negatif dikenali
sebagai positif dan tuple negative dikenali sebagai positif. P’ merupakan
jumlah tuple yang diberi label positif (TP + FP). N’ merupakan jumlah tuple
yang diberi label negatif (TN – FN). Untuk jumlah keseluruhan tuple dapat
dinyatakan sebagai (TP + TN + FP + FN) atau (P + N) atau (P’ + N’)
(Suyanto,2019).
2.7 Normalisasi
Disetiap data memiliki nilai atribut yang berbeda – beda rentangnya,
sehingga perlu dinormalisasikan atau distandarisasi agar proses data mining
tidak bias. Normalisasi data biasanya dilakukan untuk mendapatkan nilai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
rentang yang kecil seperti [0,1] atau [-1,1], sehingga nilai disetiap atributnya
memiliki bobot yang sama. Dalam normalisasi data memiliki beberapa
metode, salah satunya yaitu normalisasi min-max (Suyanto, 2019).
Normalisasi Min - Max
Proses metode normalisasi min – max menggunakan nilai
minimum dan maksimum untuk melakukan konversi data secara
linier. Berikut rumus normalisasi min – max:
𝑥𝑖′ =
𝑥𝑖−𝑚𝑖𝑛𝐴
𝑚𝑎𝑘𝑠𝐴−𝑚𝑖𝑛𝐴(𝑚𝑎𝑘𝑠𝑏𝑎𝑟𝑢𝐴 − 𝑚𝑖𝑛𝑏𝑎𝑟𝑢𝐴) + 𝑚𝑖𝑛𝑏𝑎𝑟𝑢𝐴 (2,16)
Keterangan:
𝐴 : Atribut bertipe numerik
𝑥𝑖 : Nilai data asli
𝑥𝑖′ : Nilai data baru
𝑚𝑖𝑛𝐴 : Nilai minimal pada atribut A
𝑚𝑎𝑘𝑠𝐴 : Nilai maksimal pada atribut A
𝑚𝑎𝑘𝑠𝑏𝑎𝑟𝑢𝐴 : Rentang nilai maksimal baru pada atribut A
(contoh: 1)
𝑚𝑖𝑛𝑏𝑎𝑟𝑢𝐴 : Rentang nilai minimal baru pada atribut A
(contoh : 0)
2.8 Deteksi Outlier
Outlier adalah himpunan titik data yang sangat berbeda dari sisi
data. Varian masalah deteksi outlier yaitu 1) diberikan database D, temukan
semua titik data x € D dengan anomali skor lebih besar dari beberapa
ambang batas t, 2) diberikan database D, cari semua titik data x € D yang
memiliki nilai anomali terbesar f(x), dan 3) diberikan database D, berisi
Sebagian besar normal (tetapi tidak berlabel) titik data, dan titik uji x, hitung
skor anomali x sehubungan dengan D.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Salah satu mendeteksi outlier dengan menggunakan isolation forest.
Isolation Forest merupakan metode deteksi outlier secara eksplisit
mengidentifikasi anomali dengan membuat profil titik data normal.
Isolation forest, seperti metode ensemble pohon lainnya, dibangun atas
dasar pohon keputusan. Dalam pohon ini, partisi dibuat dengan terlebih
dahulu memilih fitur secara acak dan kemudian memilih nilai pemisahan
acak antara nilai minimum dan maksimum dari fitur yang dipilih. Dengan
menggunakan partisi acak dapat mengidentifikasi lebih dekat ke akar pohon
(Panjang jalur rata-rata yang lebih pendek, yaitu jumlah tepi pengamatan
harus melewati pohon yang masuk dari akar ke node terminal) dengan lebih
sedikit pemisah yang diperlukan.
Gagasan untuk mengidentifikasi pengamatan nomal dengan
abnormal dapat diamati pada gambar 2.8. Titik normal (di sebelah kiri)
membutuhkan lebih banyak partisi untuk mengindentifikasi daripada titik
abnormal (kanan).
Gambar 2.8 Mengidentifikasi pengamatan normal vs abnormal (Lewinson,2018)
Seperti metode deteksi outlier lainnya, nilai anomali diperlukan untuk
pengambilan keputusan. Dalam metode isolation forest, didefenisikan
sebagai berikut:
𝑠(𝑥, 𝑛) = 2 − 𝐸(ℎ(𝑥))
𝑐(𝑛) (2,17)
Keterangan:
ℎ(𝑥) : Panjang jalur pengamatan x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
𝑐(𝑛) : Panjang jalur rata-rata pencarian yang gagal pada Pohon
Pencarian Biner
𝑛 : Jumlah node eskternal
Setiap pengamatan diberikan nilai animali dan keputusan berikut dapat
dibuat berdasarkan:
1. Nilai mendekati 1 menunjukkan anomali
2. Nilai jauh lebih kecil dari 0,5 menunjukkan pengamatan normal
3. Jika semua nilai mendekati 0,5, maka seluruh sampel tampaknya
tidak memiliki anomali yang jelas berbeda.
2.9 Prestasi Akademik
Menurut KBBI (Kamus Besar Bahasa Indonesia), prestasi akademik
merupakan hasil pelajaran yang diperoleh dari kegiatan belajar di sekolah
atau di perguruan tinggi yang bersifat kognitif dan biasanya ditentukan
melalui pengukuran dan penilaian.
Dalam pengukuran dan penilaian prestasi akademik, salah satu
caranya bisa dilakukan dari tes potensi akademik. Tes potensi akademik
merupakan tes psikologi untuk mengetahui apa yang telah dicapai secara
intelektual. Dalam tes potensi akademik, soal yang biasanya digunakan
yaitu tes verbal, tes angka, dan tes figural.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
BAB III
METODOLOGI PENELITIAN
3.1 Bahan penelitian/Data
Data yang diperoleh dari Universitas Sanata Dharma atas
persetujuan Wakil Rektor I. Data penelitian adalah data mahasiswa Fakultas
Keguruan dan Ilmu Pendidikan Universitas Sanata Dharma Angkatan 2015
dan 2016. Data berisi nilai Tes Potensi Akademik (penalaran verbal,
kemampuan numerik, penalaran mekanik, hubungan ruang dan Bahasa
inggris) dan Indeks Prestasi Kumulatif (IPK) dari semester satu sampai
empat pada masing-masing program studi. Pada Tabel 3.1 berikut adalah
penjelasan setiap atribut dan contoh isi atribut pada file tersebut.
Tabel 3.1 Penjelasan Atribut dan Nilai Variabel
No Nama Atribut Penjelasan Nilai
Variabel
1 Penalaran Verbal
Nilai Tes Potensi
Akademik bagian
Penalaran Verbal
1 - 10
2 Kemampuan Numerik
Nilai Tes Potensi
Akademik bagian
Kemampuan
Numerik
1 - 10
3 Penalaran Mekanik
Nilai Tes Potensi
Akademik bagian
Penalaran
Mekanik
1 - 10
4 Hubungan Ruang
Nilai Tes Potensi
Akademik bagian
Hubungan Ruang
1 - 10
5 Bahasa Inggris
Nilai Tes Potensi
Akademik bagian
Bahasa Inggris
1 - 10
6 IPK 1 Nilai IPK
Semester 1 0 – 4,00
7 IPK 2 Nilai IPK
Semester 2 0 – 4,00
8 IPK 3 Nilai IPK
Semester 3 0 – 4,00
9 IPK 4 Nilai IPK
Semester 4 0 – 4,00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
3.2 Tahap – Tahap Penelitian
Berikut ini tahap – tahap penelitian yang digambarkan dengan
skema berikut ini:
Gambar 3.1 Skema Penelitian
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Dalam penelitian ini terdapat berbagai macam variasi dalam pengujian yaitu
pada fold, kernel, multiclass, dan outlier. Fold yang digunakan dalam pengujian ini
yaitu 3 fold, 5 fold, 7 fold, dan 9 fold. Kernel yang digunakan dalam pengujian ini
yaitu linear, rbf, dan polynomial. Multiclass yang digunakan dalam pengujian ini
yaitu one against one dan one against all. Variasi pengujian lainnya yaitu data yang
dilakukan deteksi outlier dan tidak dilakukan deteksi outlier. Berikut gambar 3.2
hingga gambar 3.5 variasi pengujian dalam bentuk diagram pohon.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Gambar 3.2 Variasi pengujian Tanpa Deteksi Outlier – One Against One
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Gambar 3.3 Variasi pengujian Tanpa Deteksi Outlier – One Against All
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Gambar 3.4 Variasi pengujian Deteksi Outlier – One Against One
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Gambar 3.5 Variasi pengujian Deteksi Outlier – One Against All
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
3.2.1 Data Mentah
Data mentah yang digunakan dalam penelitian ini yaitu data
Universitas Sanata Dharma Yogyakarta yang diperoleh dari
Universitas Sanata Dharma atas persetujuan Wakil Rektor I.
3.2.2 Integrasi Data
Pada tahap ini dilakukan penggabungan data dari angkatan
2015 hingga 2016 sesuai program studi dan semester. Untuk
menggabungkan data menggunakan Microsoft Excel.
3.2.3 Pembersihan Data
Pada tahap ini dilakukan pembersihan data. Pembersihan
data yang dilakukan pada atribut TPA dan IPK. Pada data TPA dan
IPK dilakukan pembersihan data menggunakan metode deteksi
outlier. Metode yang digunakan pada deteksi outlier yaitu metode
isolation forest.
3.2.4 Transformasi Data
Pada tahap ini dilakukan transformasi atau perubahan data
menggunakan min – max normalization. Atribut yang dinormalisasi
yaitu nilai TPA menggunakan min-max normalization. Sedangkan,
untuk IPK dirubah ke kategorikal. Tabel 3.2 berikut ini merupakan
jangkauan nilai mahasiswa.
Tabel 3.2 Nama dan Jangkauan Nilai Data Mahasiswa
Nama Kolom Jangkauan Nilai
Penalaran Verbal 0,00 – 10,00
Kemampuan Numerik 0,00 – 10,00
Penalaran Mekanik 0,00 – 10,00
Hubungan Ruang 0,00 – 10,00
Bahasa Inggris 0,00 – 10,00
IPK 1 0,00 – 4,00
IPK 2 0,00 – 4,00
IPK 3 0,00 – 4,00
IPK 4 0,00 – 4,00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Berikut merupakan contoh perhitungan untuk min-max
normalization disetiap atribut:
1. Normalisasi atribut Penalaran Verbal
𝑋 = 3 − 2
10 − 2(1 − 0) + 0 = 0,125
2. Normalisasi atribut Kemampuan Numerik
𝑋 = 5 − 1
10 − 1(1 − 0) + 0 = 0,444
3. Normalisasi atribut Penalaran Mekanik
𝑋 = 4 − 1
10 − 1(1 − 0) + 0 = 0,333
4. Normalisasi atribut Hubungan Ruang
𝑋 = 5 − 2
10 − 2(1 − 0) + 0 = 0,375
5. Normalisasi atribut Bahasa Inggris
𝑋 = 4 − 1
10 − 1(1 − 0) + 0 = 0,333
Untuk mengubah label yaitu atribut IPK ke kategori
digunakan aturan predikat yudisium berdasarkan nilai IPK. Merubah
nilai IPK ke kategorikal dilakukan berdasarkan peraturan akademik
Universitas Sanata Dharma seperti tabel 3.3 berikut:
Tabel 3.3 Predikat Kualifikasi Yudisium
IPK Predikat Kategori
3,51 – 4,00 Dengan Pujian A
2,76 – 3,50 Sangat Memuaskan B
2,25 – 2,75 Memuaskan C
< 2,25 - D
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Berikut merupakan algoritma mengubah IPK ke kategorikal
1. Jika nilai cell pada atribut IPK memiliki nilai
antara 3,51 sampai 4,00 maka nilai cell tersebut
dirubah menjadi A.
2. Jika nilai cell pada atribut IPK memiliki nilai
antara 2,76 sampai 3,50 maka nilai cell tersebut
dirubah menjadi B.
3. Jika nilai cell pada atribut IPK memiliki nilai
antara 2,25 sampai 2,75 maka nilai cell tersebut
dirubah menjadi C.
4. Jika nilai cell pada atribut IPK kurang dari 2,25
maka nilai cell tersebut dirubah menjadi D.
Pada Tabel 3.4 merupakan contoh hasil transformasi data.
Tabel 3.4 Contoh Hasil Transformasi Data
Penalaran
Verbal
Kemampuan
Numerik
Penalaran
Mekanik
Hubungan
Ruang
Bahasa
Inggris IPK
0,532555 0,163216 0,406231 0,375 0,728441 C
0,495997 0,584549 0,666667 0,682073 0,444444 D
0,5 0,777778 0,555556 0,625 0,555556 B
0,394917 0,374334 0,747658 0,442407 0,046294 C
3.2.5 Pembagian Data
Pembagian data dilakukan dengan metode cross-validation.
Pembagian data training dan data testing menggunakan k-fold. Data
yang dibagi mengikuti nilai k, apabila k bernilai 7 maka terdapat 7
subset data yang mana 6 subset merupakan data training dan 1
subset data merupakan data testing. Berikut algoritma pembagian
data dengan metode cross-validation:
1. Masukan nilai k.
2. Bagi data menjadi k subset yang berukuran sama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
3. Pergunakan setiap subset atau k – 1 sebagai data training
dan sisanya atau k-(k-1) sebagai data testing.
3.2.6 Klasifikasi Support Vector Machine
Pada tahap klasifikasi menggunakan algoritma Support
Vector Machine (SVM). Support Vector Machine akan
menggunakan tools pada Pyhton menggunakan fungsi biner yang
akan ditambahkan fungsi multi kelas. Terdapat dua metode
multiclass yaitu metode one-against-one dan metode one-against-
all. Berikut ilustrasi tahapan klasifikasi menggunakan Support
Vector Machine menggunakan metode one-against-one dengan 4
label kelas pada gambar 3.7 hingga gambar 3.11. Support Vector
Machine hanya dapat mengklasifikasikan 2 kelas saja, tetapi dengan
adanya konsep multiclass, maka metode Support Vector Machine
memungkinkan melakukan proses klasifikasi lebih dari dua kelas.
Pada gambar 3.6 memperlihatkan terdapat 4 kelas data yaitu warna
hijau kelas A, warna biru kelas B, warna kuning kelas C, dan warna
merah kelas D.
Gambar 3.6 Klasifikasi dengan 4 kelas
0
1
2
3
4
5
6
0 1 2 3 4 5 6
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Berikut ini ilustrasi klasifikasi Support Vector Machine
menggunakan multiclass:
1. Metode One-Against-One
Pada data tersebut terdapat 4 kelas, maka akan
dibangun 6 kelas biner. Enam kelas biner diperoleh dengan
menggunakan rumus pada persamaan sehingga model biner
Support Vector Machine yang dibangun yaitu berjumlah 4(4-
1)/2 = 6. Model biner Support Vector Machine terdiri dari
kelas A lawan kelas B, kelas A lawan kelas C, kelas A lawan
kelas D, kelas B lawan kelas C, kelas B lawan kelas D, dan
kelas C lawan kelas D.
Pada model kelas biner yang pertama seperti pada
Gambar 3.7, objek baru diklasifikasikan dengan
menggunakan data training kelas A dan kelas B.
Diasumsikan objek data tersebut lebih dekat ke kelas A,
maka kelas A akan dipilih untuk dilakukan voting.
Gambar 3.7 Kelas A dan Kelas B
FAB(x) :
Kelas A
0
1
2
3
4
5
6
0 0,2 0,4 0,6 0,8 1 1,2
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Pada model kelas biner yang kedua seperti pada
Gambar 3.8, objek baru diklasifikasikan dengan
menggunakan data training kelas A dan kelas C.
Diasumsikan objek data tersebut lebih dekat ke kelas A,
maka kelas A akan dipilih untuk dilakukan voting.
Gambar 3.8 Kelas A dan Kelas C
Pada model kelas biner yang ketiga seperti pada
Gambar 3.9, objek baru diklasifikasikan dengan
menggunakan data training kelas A dan kelas D.
Diasumsikan objek data tersebut lebih dekat ke kelas A,
maka kelas A akan dipilih untuk dilakukan voting.
Gambar 3.9 Kelas A dan Kelas D
FAC(x) :
Kelas A
FAD(x) :
Kelas A
0
1
2
3
4
5
6
0 1 2 3 4 5
y
x
0
1
2
3
4
5
6
0 1 2 3 4 5 6
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Pada model kelas biner yang keempat seperti pada
Gambar 3.10, objek baru diklasifikasikan dengan
menggunakan data training kelas B dan kelas C.
Diasumsikan objek data tersebut lebih dekat ke kelas C,
maka kelas C akan dipilih untuk dilakukan voting.
Gambar 3.10 Kelas B dan Kelas C
Pada model kelas biner yang kelima seperti pada
Gambar 3.11, objek baru diklasifikasikan dengan
menggunakan data training kelas B dan kelas D.
Diasumsikan objek data tersebut lebih dekat ke kelas B,
maka kelas B akan dipilih untuk dilakukan voting.
Gambar 3.11 Kelas B dan Kelas D
0
0,5
1
1,5
2
2,5
3
0 1 2 3 4 5
y
x
FBC(x) :
Kelas C
FBD(x) :
Kelas B
0
1
2
3
4
5
6
0 1 2 3 4 5 6
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Pada model kelas biner yang keenam seperti pada
Gambar 3.12, objek baru diklasifikasikan dengan
menggunakan data training kelas C dan kelas D.
Diasumsikan objek data tersebut lebih dekat ke kelas D,
maka kelas D akan dipilih untuk dilakukan voting.
Gambar 3.12 Kelas C dan Kelas D
Setelah melakukan klasifikasi setiap kelas biner,
maka dilakukan voting untuk menentukan kelas klasifikasi.
Hasil voting dari kelas biner pertama hingga kelas biner
keenam, kelas A memiliki voting terbanyak, sehingga hasil
klasifikasi dari data objek baru akan dikategorikan sebagai
kelas A.
2. Metode One-Against-All
Pada data tersebut terdapat 4 kelas, maka akan
dibangun sebanyak 4 kelas biner. Setiap model kelas biner
dilatih menggunakan seluruh data, untuk mencari hasil
klasifikasi. Model biner Support Vector Machine terdiri dari
kelas A lawan kelas B, kelas C, dan kelas D, kelas B lawan
kelas A, kelas C, dan kelas D, kelas C lawan kelas A, kelas
B, dan kelas D, kelas D lawan kelas A, kelas B, dan kelas C.
FCD(x) :
Kelas D
0
1
2
3
4
5
6
0 2 4 6
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Pada model kelas biner yang pertama seperti pada
Gambar 3.13, objek baru diklasifikasikan dengan
menggunakan data training kelas A lawan kelas B, kelas C,
dan kelas D. Yang mana data kelas A diasumsikan sebagai
kelas positif (+1), selain itu diasumsikan sebagai kelas
negatif (-1).
Gambar 3.13 Kelas A lawan Kelas B, Kelas C, dan Kelas D
Pada model kelas biner yang kedua seperti pada
Gambar 3.14, objek baru diklasifikasikan dengan
menggunakan data training kelas B lawan kelas A, kelas C,
dan kelas D. Yang mana data kelas B diasumsikan sebagai
kelas positif (+1), selain itu diasumsikan sebagai kelas
negatif (-1).
0
1
2
3
4
5
6
0 1 2 3 4 5 6
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Gambar 3.14 Kelas B lawan Kelas A, Kelas C, dan Kelas D
Pada model kelas biner yang ketiga seperti pada
Gambar 3.15, objek baru diklasifikasikan dengan
menggunakan data training kelas C lawan kelas A, kelas B,
dan kelas D. Yang mana data kelas C diasumsikan sebagai
kelas positif (+1), selain itu diasumsikan sebagai kelas
negatif (-1).
Gambar 3.15 Kelas C lawan Kelas A, Kelas B, dan Kelas D
Pada model kelas biner yang keempat seperti pada
Gambar 3.16, objek baru diklasifikasikan dengan
menggunakan data training kelas D lawan kelas A, kelas B,
dan kelas C. Yang mana data kelas D diasumsikan sebagai
0
1
2
3
4
5
6
0 1 2 3 4 5 6y
x
0
1
2
3
4
5
6
0 1 2 3 4 5 6
y
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
kelas positif (+1), selain itu diasumsikan sebagai kelas
negatif (-1).
Gambar 3.16 Kelas D lawan Kelas A, Kelas B, dan Kelas C
Setelah melakukan klasifikasi setiap kelas biner,
maka dilakukan pengecekan nilai probabilitas yang paling
tinggi untuk menentukan kelas klasifikasi.
3.3 Desain Antarmuka
Gambar 3.17 Desain Antarmuka
0
1
2
3
4
5
6
0 1 2 3 4 5 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
3.3.1 Proses Input GUI
Pada proses input GUI, user melakukan input jenis kernel,
melakukan deteksi outlier, jumlah fold, jenis multiclass, IPK
semester yang ingin digunakan, nilai penalaran verbal, nilai
kemampuan numerik, nilai bahasa inggris, nilai penalaran mekanik,
dan nilai hubungan ruang.
3.3.2 Proses Ouput GUI
Keluaran yang didapatkan dari proses klasifikasi ini adalah
hasil akurasi dari proses klasifikasi prestasi akademik mahasiswa
berdasarkan hasil tes potensi akademik, yang ditentukan
berdasarkan jenis kernel, deteksi outlier, jumlah fold, jenis
multiclass, IPK semester yang digunakan. Selain itu, didapatkan
hasil klasifikasi berdasarkan model yang sudah dibangun dan nilai
penalaran verbal, nilai kemampuan numerik, nilai bahasa inggris,
nilai penalaran mekanik, dan nilai hubungan ruang yang telah
ditentukan.
3.4 Spesifikasi Alat
1. Perangkat Keras:
a. Procesor : Intel® Core™ i7-8550U CPU @ 1.80GHz
(8CPUs), ~2.0GHz
b. RAM : 8 GB
c. Hard Drive : 1 TB
2. Perangkat Lunak
a. Sistem Operasi : Windows 10 Home, 64-bit
b. Microsoft Excel 2019
c. Spyder 4.1.4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
BAB IV
HASIL DAN ANALISIS SISTEM
4.1 Preprocessing
Pada tahap preprocessing dilakukan proses pembersihan data, integrasi
data, transformasi data. Pada tahap tranformasi data dengan menggunakan
normalisasi min-max dan merubah data numerik menjadi data kategorikal untuk
mentransformasikan data. Adapun atribut yang dilakukan proses normalisasi adalah
Penalaran Verbal, Penalaran Mekanik, Kemampuan Numerik, Hubungan Ruang,
dan Bahasa Inggris sedangkan perubahan data numeric menjadi data kategorikal
pada atribut IPK1, IPK2, IPK3, dan IPK4. Pada tabel 4.1 di bawah ini merupakan
contoh data sebelum proses transformasi data.
Tabel 4.1 Data Sebelum Tranformasi
Penalaran
Verbal
Kemampuan
Numerik
Penalaran
Mekanik
Hubungan
Ruang
Bahasa
Inggris
IPK
1
IPK
2
IPK
3
IPK
4
3 5 4 5 4 2,25 2,1 2,17 2,52
5 6 6 6 7 2,45 3,2 3,25 3,3
5 4 6 5 2 2,35 1,9 1,28 2,52
6 5 6 7 5 2,2 2,05 2,33 2,6
3 5 7 9 7 1,8 2,55 1,5 0,43
Pada tabel 4.2 di bawah ini merupakan data setelah dilakukan proses transformasi.
Tabel 4.2 Data Setelah Transformasi
Penalaran
Verbal
Kemampuan
Numerik
Penalaran
Mekanik
Hubungan
Ruang
Bahasa
Inggris
IPK
1
IPK
2
IPK
3
IPK
4
0,125 0,444 0,333 0,375 0,333 C D D C
0,375 0,556 0,556 0,5 0,667 C B B B
0,375 0,333 0,556 0,375 0,111 C D D C
0,5 0,444 0,556 0,625 0,444 D D C C
0,125 0,444 0,778 0 0,444 D D D D
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Berikut ini desain antarmuka program klasifikasi:
Gambar 4.1 GUI program klasifikasi
4.2 Implementasi
Pada implementasi ini terdapat potongan program dan penjelasan
berikut ini:
1. Implementasi Input Data
Pada tahap ini proses yang dilakukan adalah dengan cara
memilih dataset dengan tipe file *.xlsx. Data yang dimasukkan
berupa data mentah yang belum dilakukan preprocessing.
Berikut dibawah adalah potongan programnya.
self.cari_File =
filedialog.askopenfilename(initialdir='/Desktop',
title='Select a excel file',
filetypes=(('excel file','*xls'),
('excel file','*xlsx')))
self.file.insert(0,self.cari_File)
self.baca_File = pd.read_excel(self.cari_File)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
self.baca_File1 = pd.read_excel(self.cari_File)
if(len(self.baca_File)==0):
msg.showinfo('No Records','No Records')
else:
pass
2. Implementasi Preprocessing
Setelah sistem berhasil membaca file dataset maka tahap
selanjutnya adalah proses preprocessing data oleh sistem.
Preprocessing data yang dilakukan yaitu melakukan deteksi
outlier menggunakan metode isolation forest, mengkategori
kelas dan normalisasi min-max. Berikut dibawah adalah
potongan programnya.
self.outlier = self.comboboxPilihOutlier.get()
if self.outlier == 'Ya':
self.dataolah = self.baca_File.iloc[:,0:9]
self.clf= IsolationForest(random_state=0)
self.preds = self.clf.fit_predict(self.dataolah)
self.baca_File = self.baca_File[np.where(self.preds == 1,
True, False)]
self.baca_File = self.baca_File.reset_index()
print(baca_File)
else:
self.baca_File = pd.DataFrame(self.baca_File)
print(baca_File)
IPK = self.comboboxPilihIPK.get()
label = np.array(self.baca_File[IPK])
self.baca_File = self.baca_File.drop(['IPK 1','IPK 2','IPK
3','IPK 4'],axis=1)
feature_list = list(self.baca_File.columns)
features = np.array(self.baca_File)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
X = features.astype(float)
scaler = MinMaxScaler(feature_range=(0,1))
X = scaler.fit_transform(X)
Y = label
Y=pd.cut(Y,bins=[0.0,2.25,2.75,3.50,4],labels=['D','C','B','A'])
perubahan = LabelEncoder()
Y = perubahan.fit_transform(Y)
3. Implementasi Proses Klasifikasi
Tahap ini adalah tahap terakhir dalam sistem. Setelah sistem
berhasil membaca file dan preprocessing data maka tahap
selanjutnya pengguna memasukkan jumlah fold, jenis
multiclass, jenis kernel, dan jenis ipk. Setelah itu pengguna
menekan tombol Proses untuk melanjutkan proses klasifikasi.
Berikut dibawah adalah potongan programnya.
akurasi_model = []
jumlah_fold = int(self.fold.get())
cv = KFold(n_splits=jumlah_fold)
jenis_multiclass = self.comboboxPilihMulticlass.get()
jenis_kernel = self.comboboxPilihKernel.get()
Kernel = StringVar()
if jenis_kernel == 'Linear':
Kernel = 'linear'
elif jenis_kernel == 'Gaussian(RBF)':
Kernel = 'rbf'
else:
Kernel = 'poly'
for train_index,test_index in cv.split(X):
X_train, X_test, Y_train, Y_test = X[train_index],
X[test_index], Y[train_index], Y[test_index]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
if jenis_multiclass == 'One Against One':
clf = SVC(kernel=Kernel)
model = OneVsOneClassifier(clf).fit(X_train,Y_train)
prediction = model.predict(X_test)
cm = confusion_matrix(Y_test,prediction)
akurasi = accuracy_score(Y_test,prediction)
akurasi_model.append(akurasi)
else:
clf = SVC(kernel=Kernel)
model = OneVsRestClassifier(clf).fit(X_train,Y_train)
prediction = model.predict(X_test)
cm = confusion_matrix(Y_test,prediction)
akurasi = accuracy_score(Y_test,prediction)
akurasi_model.append(akurasi)
akurasitotal = np.mean(akurasi_model)
persen = round(akurasitotal,5)*100
self.akurasi.insert(END,persen)
4.3 Pengujian
Data yang digunakan pada tahap pengujian merupakan data yang
dilakukan deteksi outlier dan data yang tidak dilakukan deteksi outlier.
Model yang digunakan adalah 3-fold, 5-fold, 7-fold, dan 9-fold dengan
ketentuan yang akan dijelaskan pada tabel 4.3 berikut ini:
Tabel 4.3 Ketentuan Pengujian Fold
Fold Training Testing
3 2/3 1/3
5 4/5 1/5
7 6/7 1/7
9 8/9 1/9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
4.2.1 Percobaan Pada program studi Bimbingan dan Konseling
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Bimbingan dan Konseling tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.4 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,537 58,807 55,713 58,775
RBF 48,516 58,838 55,713 58,775
Polynomial 36,143 40,183 43,308 47,475
Gambar 4.2 Grafik akurasi menggunakan 3 Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
2) 5-Fold
Tabel 4.5 Hasil akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,421 58,789 55,684 58,737
RBF 46,421 57,789 56,737 60,842
Polynomial 38,211 47,421 45,474 45,316
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Gambar 4.3 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
3) 7-Fold
Tabel 4.6 Hasil akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,628 58,948 55,808 58,948
RBF 48,587 56,907 59,969 63,108
Polynomial 43,407 48,587 44,584 51,648
Gambar 4.4 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
4) 9-Fold
Tabel 4.7 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,505 58,788 55,758 58,99
RBF 46,465 57,778 58,889 63,131
Polynomial 37,273 48,687 45,556 52,525
Gambar 4.5 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-One, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.8 Hasil akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 48,516 58,807 55,713 58,775
RBF 45,455 57,828 55,713 58,775
Polynomial 29,924 48,548 46,433 46,433
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Gambar 4.6 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
2) 5-Fold
Tabel 4.9 Hasil akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,474 58,789 55,684 58,737
RBF 45,421 56,789 57,895 61,895
Polynomial 36,105 49,579 44,316 51,474
Gambar 4.7 Grafik akurasi menggunakan 5-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
3) 7-Fold
Tabel 4.10 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 48,587 58,948 55,808 58,948
RBF 42,386 57,928 57,928 62,088
Polynomial 43,407 51,727 49,608 53,689
Gambar 4.8 Grafik akurasi menggunakan 7-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
4) 9-Fold
Tabel 4.11 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 49,495 58,788 55,758 58,99
RBF 44,545 57,778 57,879 63,131
Polynomial 36,97 48,687 48,485 50,404
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Gambar 4.9 Grafik akurasi menggunakan 9-Fold, Multiclass One-
Against-All, Tanpa Deteksi Outlier pada program Studi
Bimbingan dan Konseling
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Bimbingan dan Konseling menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.12 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 58,215 70,94 67,142 70,893
RBF 56,933 72,22 67,142 70,893
Polynomial 45,442 60,589 50,522 55,793
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Gambar 4.10 Grafik akurasi menggunakan 3 Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
2) 5-Fold
Tabel 4.13 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,5 70,833 67 70,917
RBF 57 69,583 67 70,917
Polynomial 56,667 58,083 49,333 59,5
Gambar 4.11 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
3) 7-Fold
Tabel 4.14 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 56,818 70,996 67,208 70,779
RBF 49,134 70,996 67,208 70,779
Polynomial 46,645 59,957 58,658 63,528
Gambar 4.12 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
4) 9-Fold
Tabel 4.15 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,568 70,679 66,975 70,988
RBF 51,698 69,444 66,975 70,988
Polynomial 51,852 61,265 54,784 60,494
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Gambar 4.13 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.16 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 58,215 46,534 67,142 70,893
RBF 58,262 72,222 67,142 70,893
Polynomial 40,503 46,534 54,321 51,994
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Gambar 4.14 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
2) 5-Fold
Tabel 4.17 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 57 55,5 67 70,917
RBF 55,75 69,583 67 70,917
Polynomial 43 55,5 54,417 53,25
Gambar 4.15 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Bimbingan
dan Konseling
3) 7-Fold
Tabel 4.18 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 56,926 63,528 67,208 70,779
RBF 49,242 70,996 67,208 70,779
Polynomial 49,351 63,528 56,061 57,251
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Gambar 4.16 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Bimbingan
dan Konseling
4) 9-Fold
Tabel 4.19 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Bimbingan dan Konseling
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 56,944 62,5 66,975 70,988
RBF 52,932 69,444 66,975 70,988
Polynomial 49,383 62,5 54,938 62,191
Gambar 4.17 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Bimbingan
dan Konseling
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
4.2.2 Percobaan Pada program studi Ilmu Pendidikan Agama Katolik
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Ilmu Pendidikan Agama Katolik tanpa menggunakan deteksi
outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.20 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,652 44,686 27,415 54,167
RBF 47,041 47,403 27,415 54,167
Polynomial 47,101 45,894 45,954 55,556
Gambar 4.18 Grafik akurasi menggunakan 3 Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Ilmu Pendidikan Agama Katolik
2) 5-Fold
Tabel 4.21 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50 54,286 35,714 52,857
RBF 52,857 58,571 47,143 52,857
Polynomial 47,143 58,571 50 54,286
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Gambar 4.19 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Ilmu Pendidikan Agama Katolik
3) 7-Fold
Tabel 4.22 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,429 57,143 47,143 54,286
RBF 57,143 58,571 51,429 55,714
Polynomial 45,714 57,143 51,429 58,571
Gambar 4.20 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Ilmu Pendidikan Agama Katolik
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
4) 9-Fold
Tabel 4.23 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,833 53,373 38,889 54,365
RBF 54,563 52,976 45,833 51,389
Polynomial 42,857 54,96 50 52,778
Gambar 4.21 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Ilmu Pendidikan Agama Katolik
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.24 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,652 43,176 27,415 54,167
RBF 47,041 51,691 33,152 54,167
Polynomial 44,324 45,833 34,36 58,454
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Gambar 4.22 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Ilmu Pendidikan Agama Katolik
2) 5-Fold
Tabel 4.25 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,429 42,857 44,286 54,286
RBF 54,286 54,286 41,429 54,286
Polynomial 47,143 54,286 38,571 60
Gambar 4.23 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
3) 7-Fold
Tabel 4.26 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 48,571 57,143 38,571 54,286
RBF 54,286 57,143 50 54,286
Polynomial 48,571 42,857 48,571 57,143
Gambar 4.24 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
4) 9-Fold
Tabel 4.27 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,833 42,857 25,794 55,754
RBF 51,786 54,365 45,833 50
Polynomial 49,008 54,563 44,246 52,778
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Gambar 4.25 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Bimbingan dan Konseling menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.28 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 60,24 51,198 39,651 71,569
RBF 54,684 52,941 41,612 71,569
Polynomial 49,129 62,2 66,013 65,795
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Gambar 4.26 Grafik akurasi menggunakan 3 Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
2) 5-Fold
Tabel 4.29 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 60,182 66,364 54,727 71,636
RBF 62 75,818 64 69,818
Polynomial 46,727 64,545 60 71,818
Gambar 4.27 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
3) 7-Fold
Tabel 4.30 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,949 68,112 56,633 69,388
RBF 60,459 68,367 56,122 65,816
Polynomial 51,276 52,041 66,071 71,939
Gambar 4.28 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Ilmu Pendidikan
Agama Katolik
4) 9-Fold
Tabel 4.31 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 58,519 67,778 60,741 71,852
RBF 60,741 71,852 58,889 68,148
Polynomial 47,037 57,037 54,815 66,296
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Gambar 4.29 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.32 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 56,536 53,05 39,651 71,569
RBF 54,684 52,941 41,612 71,569
Polynomial 52,614 64,161 66,013 65,795
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Gambar 4.30 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
2) 5-Fold
Tabel 4.33 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 60,182 66,364 54,727 71,636
RBF 62 75,818 64 69,818
Polynomial 56,364 64,182 60 71,818
Gambar 4.31 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
3) 7-Fold
Tabel 4.34 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Ilmu Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 58,163 64,541 56,633 69,388
RBF 56,888 70,153 56,122 65,816
Polynomial 53,316 62,755 66,071 71,939
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Gambar 4.32 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
4) 9-Fold
Tabel 4.35 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,815 67,778 54,815 71,852
RBF 60,741 71,852 58,889 68,148
Polynomial 48,889 60,37 60,741 66,296
Gambar 4.33 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Ilmu
Pendidikan Agama Katolik
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
4.2.3 Percobaan Pada program studi Pendidikan Akutansi
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Akutansi tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.36 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 44,291 51,188 62,529 56,897
RBF 38,544 53,372 61,379 55,747
Polynomial 40,843 48,889 52,184 46,552
Gambar 4.34 Grafik akurasi menggunakan 3 Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
2) 5-Fold
Tabel 4.37 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Ilmu Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 39,739 55,686 60,196 54,771
RBF 45,556 56,863 62,148 54,771
Polynomial 40,98 45,556 47,582 43,333
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Gambar 4.35 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
3) 7-Fold
Tabel 4.38 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,147 53,297 63,462 58,242
RBF 40,842 53,48 55,495 55,861
Polynomial 43,132 47,894 52,198 47,894
Gambar 4.36 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
4) 9-Fold
Tabel 4.39 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 40,741 52,222 64,691 57,16
RBF 43,21 53,457 57,901 55,926
Polynomial 41,605 40,741 55,556 45,556
Gambar 4.37 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.40 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,628 51,188 61,379 58,046
RBF 40,92 54,521 57,893 53,41
Polynomial 44,33 44,368 54,483 43,218
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Gambar 4.38 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
2) 5-Fold
Tabel 4.41 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,686 53,114 62,418 59,15
RBF 47,778 53,48 57,778 53,529
Polynomial 44,444 46,795 49,804 45,556
Gambar 4.39 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
3) 7-Fold
Tabel 4.42 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,802 53,114 63,553 59,249
RBF 41,85 53,48 55,495 54,67
Polynomial 43,223 46,795 52,015 46,703
Gambar 4.40 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
4) 9-Fold
Tabel 4.43 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,667 55,802 63,58 57,037
RBF 41,975 53,333 54,444 57,037
Polynomial 45,185 47,531 54,691 52,469
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Gambar 4.41 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Akutansi
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Akutansi menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.44 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 36,111 56,944 70,833 47,222
RBF 31,944 59,722 63,889 47,222
Polynomial 38,889 51,389 56,944 48,611
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Gambar 4.42 Grafik akurasi menggunakan 3 Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Akutansi
2) 5-Fold
Tabel 4.45 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 36,286 61,143 69,714 46,286
RBF 40,381 55,524 62,381 46,19
Polynomial 43,048 38,952 65,143 49,048
Gambar 4.43 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Akutansi
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
3) 7-Fold
Tabel 4.46 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 41,818 56,753 70,909 60,26
RBF 37,662 56,883 65,325 58,831
Polynomial 47,273 38,961 60,909 50,39
Gambar 4.44 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Akutansi
4) 9-Fold
Tabel 4.47 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 34,722 58,333 68,056 58,333
RBF 36,111 52,778 68,056 52,778
Polynomial 44,444 37,5 63,889 54,167
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
Gambar 4.45 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Akutansi
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.48 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,833 55,556 66,667 54,167
RBF 36,111 59,722 65,278 48,611
Polynomial 41,667 50 59,722 48,611
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
Gambar 4.46 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Akutansi
2) 5-Fold
Tabel 4.49 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,905 56,857 72,381 51,905
RBF 45,714 54,095 60,952 51,81
Polynomial 43,143 38,952 63,619 48,952
Gambar 4.47 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Akutansi
3) 7-Fold
Tabel 4.50 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 48,831 59,61 72,338 60,26
RBF 37,792 54,156 66,753 57,532
Polynomial 42,857 40,519 56,753 51,818
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
Gambar 4.48 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Akutansi
4) 9-Fold
Tabel 4.51 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Akutansi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 48,611 59,722 70,833 61,111
RBF 36,111 52,778 69,444 56,944
Polynomial 40,278 40,278 63,889 58,333
Gambar 4.49 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Akutansi
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
4.2.4 Percobaan Pada program studi Pendidikan Bahasa Inggris
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Bahasa Inggris tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.52 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,688 61,737 59,91 63,664
RBF 68,143 63,589 59,034 68,168
Polynomial 68,068 57,207 48,173 53,629
Gambar 4.50 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
2) 5-Fold
Tabel 4.53 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,727 61,818 63,636 63,636
RBF 70 62,727 61,818 67,273
Polynomial 60,909 59,091 54,545 60,909
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
Gambar 4.51 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
3) 7-Fold
Tabel 4.54 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 63,571 59,762 60,714 63,631
RBF 71,667 61,667 60,714 63,357
Polynomial 63,333 52,56 56,19 58,036
Gambar 4.52 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Bahasa Inggris
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
4) 9-Fold
Tabel 4.55 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,892 59,046 60,897 63,675
RBF 72,721 60,826 59,9 66,382
Polynomial 60,969 54,487 54,345 60,826
Gambar 4.53 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.56 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,688 60,836 60,861 63,664
RBF 68,143 60,861 59,034 66,341
Polynomial 65,365 58,133 53,579 59,084
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
Gambar 4.54 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
2) 5-Fold
Tabel 4.57 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,727 59,091 60,909 63,636
RBF 70,909 63,636 60,909 65,455
Polynomial 62,727 60 58,182 59,091
Gambar 4.55 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
3) 7-Fold
Tabel 4.58 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,619 59,821 59,762 63,631
RBF 70,774 63,452 60,714 65,298
Polynomial 60,714 55,238 59,881 59,881
Gambar 4.56 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
4) 9-Fold
Tabel 4.59 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 62,821 59,046 59,972 63,675
RBF 70,94 61,752 60,826 66,382
Polynomial 61,966 55,342 57,194 59,972
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
Gambar 4.57 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Bahasa Inggris menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.60 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 68,817 72,043 68,817 69,892
RBF 67,742 66,667 67,742 70,968
Polynomial 54,839 61,29 53,763 61,29
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
Gambar 4.58 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
2) 5-Fold
Tabel 4.61 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 70,76 69,766 69,766 68,713
RBF 69,766 69,825 67,661 70,994
Polynomial 66,374 61,053 61,111 65,38
Gambar 4.59 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
56
58
60
62
64
66
68
70
72
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
3) 7-Fold
Tabel 4.62 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 70,722 66,327 67,504 69,702
RBF 74,019 72,92 69,702 75,118
Polynomial 66,327 64,05 61,931 67,425
Gambar 4.60 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Bahasa Inggris
4) 9-Fold
Tabel 4.63 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 69,697 69,697 66,465 69,798
RBF 74,04 71,919 68,687 74,04
Polynomial 70,707 68,586 62,02 68,485
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
Gambar 4.61 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.64 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 68,817 70,968 67,742 69,892
RBF 67,742 66,667 67,742 72,043
Polynomial 58,065 63,441 60,215 62,366
56
58
60
62
64
66
68
70
72
74
76
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
Gambar 4.62 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
2) 5-Fold
Tabel 4.65 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 68,596 68,713 69,766 69,825
RBF 69,766 69,825 67,661 70,994
Polynomial 63,041 59,825 59,942 66,491
Gambar 4.63 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Bahasa Inggris
3) 7-Fold
Tabel 4.66 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 70,801 68,524 67,504 69,702
RBF 74,091 71,821 69,702 75,118
Polynomial 63,108 61,931 60,832 65,228
54
56
58
60
62
64
66
68
70
72
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
Gambar 4.64 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Bahasa Inggris
4) 9-Fold
Tabel 4.67 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Bahasa Inggris
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 69,697 69,697 66,465 70,909
RBF 74,04 71,919 66,465 72,929
Polynomial 67,374 66,364 62,02 69,596
Gambar 4.65 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Bahasa Inggris
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
56
58
60
62
64
66
68
70
72
74
76
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
4.2.5 Percobaan Pada program studi Pendidikan Biologi
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Biologi tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.68 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,748 58,272 61,524 59,024
RBF 41,809 57,439 65,61 67,276
Polynomial 41,016 54,959 57,337 59,837
Gambar 4.66 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
2) 5-Fold
Tabel 4.69 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,867 58,367 61,633 58,333
RBF 41,833 55,9 69,067 69,067
Polynomial 39,267 51,733 59,933 59,133
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
Gambar 4.67 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
3) 7-Fold
Tabel 4.70 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,919 58,497 62,512 56,676
RBF 46,032 57,703 68,301 68,207
Polynomial 42,53 50,233 58,217 60,691
Gambar 4.68 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Biologi
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
4) 9-Fold
Tabel 4.71 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,07 58,608 61,783 59,158
RBF 42,796 55,25 68,376 67,46
Polynomial 36,203 49,573 57,57 59,951
Gambar 4.69 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.72 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 38,598 58,272 61,524 59,024
RBF 45,915 54,146 63,984 67,276
Polynomial 39,37 61,504 57,419 61,565
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
Gambar 4.70 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
2) 5-Fold
Tabel 4.73 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,133 58,367 61,633 60
RBF 41,867 56,733 67,4 69,067
Polynomial 40,233 55 63,233 60,8
Gambar 4.71 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
3) 7-Fold
Tabel 4.74 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 44,351 58,497 61,671 59,197
RBF 42,624 56,863 66,62 68,207
Polynomial 38,609 54,995 60,784 60,878
Gambar 4.72 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
4) 9-Fold
Tabel 4.75 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 42,735 58,608 61,783 59,951
RBF 42,125 56,044 65,873 68,315
Polynomial 37,912 54,335 60,867 61,661
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
Gambar 4.73 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Biologi
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Biologi menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.76 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,07 66,072 72,074 69,103
RBF 57,071 66,072 75,104 70,113
Polynomial 51,01 60,071 67,974 57,992
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
Gambar 4.74 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Biologi
2) 5-Fold
Tabel 4.77 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54 66 72 69
RBF 54 66 73 74
Polynomial 54 64 71 67
Gambar 4.75 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Biologi
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
3) 7-Fold
Tabel 4.78 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,218 66,19 72,109 69,116
RBF 60 66,19 78,095 72,177
Polynomial 51,905 60,068 68,98 66,939
Gambar 4.76 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Biologi
4) 9-Fold
Tabel 4.79 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,04 66,077 72,138 69,192
RBF 58,081 66,077 79,04 73,232
Polynomial 46,97 58,081 62,29 65,32
0
10
20
30
40
50
60
70
80
90
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
Gambar 4.77 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Biologi
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.80 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,07 66,072 72,074 69,103
RBF 56,061 66,072 75,104 68,093
Polynomial 42,038 62,062 72,074 65,003
0
10
20
30
40
50
60
70
80
90
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
Gambar 4.78 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Biologi
2) 5-Fold
Tabel 4.81 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54 66 72 69
RBF 57 66 73 75
Polynomial 48 62 72 66
Gambar 4.79 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Biologi
3) 7-Fold
Tabel 4.82 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,265 66,19 72,109 69,116
RBF 56,054 65,17 76,054 73,129
Polynomial 48,98 59,932 72,109 67,007
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
Gambar 4.80 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Biologi
4) 9-Fold
Tabel 4.83 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Biologi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 52,104 66,077 72,138 69,192
RBF 59,259 66,077 75,094 73,232
Polynomial 50 59,933 69,192 65,152
Gambar 4.81 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Biologi
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
4.2.6 Percobaan Pada program studi Pendidikan Bahasa dan Sastra
Indonesia
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Bahasa dan Sastra Indonesia tanpa menggunakan
deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.84 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Bahasa dan Sastra
Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,63 57,702 53,598 50,505
RBF 53,598 59,754 60,827 54,64
Polynomial 51,641 55,682 48,611 52,715
Gambar 4.82 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
2) 5-Fold
Tabel 4.85 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Bahasa dan Sastra
Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,939 57,771 51,648 48,421
RBF 54,747 57,771 58,87 56,737
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
Polynomial 54,343 52,59 52,59 52,684
Gambar 4.83 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
3) 7-Fold
Tabel 4.86 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Bahasa dan Sastra
Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,689 57,771 51,648 48,509
RBF 55,73 57,771 58,87 54,788
Polynomial 54,553 52,59 52,59 47,253
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
105
Gambar 4.84 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Bahasa dan Sastra Indonesia
4) 9-Fold
Tabel 4.87 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program
Studi Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,939 57,879 52,02 49,899
RBF 54,747 59,798 55,758 50,707
Polynomial 54,343 53,535 49,394 47,273
Gambar 4.85 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.88 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,63 57,702 53,598 48,422
RBF 51,547 57,702 59,817 54,64
Polynomial 50,568 55,713 57,797 52,683
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
Gambar 4.86 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
2) 5-Fold
Tabel 4.89 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,632 57,579 51,474 46,316
RBF 52,579 58,632 56,632 51,579
Polynomial 54,737 59,789 59,842 51,684
Gambar 4.87 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
3) 7-Fold
Tabel 4.90 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,689 57,771 52,669 47,488
RBF 54,631 57,771 56,672 49,608
Polynomial 52,512 53,768 54,71 50,549
Gambar 4.88 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
4) 9-Fold
Tabel 4.91 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program
Studi Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,939 57,879 53,03 45,556
RBF 50,404 58,687 51,717 51,919
Polynomial 53,434 56,768 55,657 46,364
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
Gambar 4.89 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Bahasa dan Sastra Indonesia menggunakan deteksi
outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.92 Hasil akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,744 65,785 60,935 57,275
RBF 60,979 65,785 62,169 52,469
Polynomial 46,561 38,977 35,317 41,534
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
Gambar 4.90 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
2) 5-Fold
Tabel 4.93 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,779 65,662 60,809 56,029
RBF 53,75 65,662 59,632 53,676
Polynomial 57,279 56,103 48,603 51,471
Gambar 4.91 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110
3) 7-Fold
Tabel 4.94 Hasil akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,957 65,909 61,255 56,385
RBF 58,766 65,909 56,277 49,026
Polynomial 59,74 61,039 47,403 42,532
Gambar 4.92 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Bahasa dan Sastra Indonesia
4) 9-Fold
Tabel 4.95 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,753 65,679 58,272 54,568
RBF 58,519 63,21 55,802 46,42
Polynomial 53,704 54,568 44,691 39,877
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
Gambar 4.93 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.96 Hasil akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,744 65,785 60,935 58,51
RBF 58,554 65,785 59,744 48,898
Polynomial 43,783 45,018 31,79 44,048
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
Gambar 4.94 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
2) 5-Fold
Tabel 4.97 Hasil akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,779 65,662 50,809 57,206
RBF 56,176 65,662 55,956 51,324
Polynomial 55 58,382 52,279 47,794
Gambar 4.95 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Bahasa dan Sastra Indonesia
3) 7-Fold
Tabel 4.98 Hasil akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,957 65,909 61,255 57,576
RBF 54,978 65,909 55,087 46,645
Polynomial 57,359 58,55 46,212 36,797
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
Gambar 4.96 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Bahasa dan Sastra Indonesia
4) 9-Fold
Tabel 4.99 Hasil akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Bahasa dan Sastra Indonesia
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,753 65,679 60,741 54,568
RBF 57,284 63,21 54,568 42,84
Polynomial 50 54,691 50,988 39,877
Gambar 4.97 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Bahasa dan Sastra Indonesia
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
4.2.7 Percobaan Pada program studi Pendidikan Ekonomi
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Ekonomi tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.100 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 25 26,667 48,333 43,333
RBF 33,333 28,333 53,333 38,333
Polynomial 30 33,333 33,333 36,667
Gambar 4.98 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
2) 5-Fold
Tabel 4.101 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 23,333 38,333 45 43,333
RBF 23,333 31,667 56,667 43,333
Polynomial 28,333 33,333 40 36,667
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
115
Gambar 4.99 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
3) 7-Fold
Tabel 4.102 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 35,516 42,659 47,222 43,651
RBF 25 30,357 55,556 40,079
Polynomial 24,603 35,317 35,516 38,095
Gambar 4.100 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Ekonomi
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
4) 9-Fold
Tabel 4.103 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 35,185 37,302 46,825 43,651
RBF 24,603 28,836 50,265 38,624
Polynomial 30,952 32,54 38,889 28,307
Gambar 4.101 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.104 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 31,667 40 50 31,667
RBF 26,667 30 53,333 41,667
Polynomial 28,333 35 50 35
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
117
Gambar 4.102 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
2) 5-Fold
Tabel 4.105 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 23,333 30 53,333 25
RBF 21,667 23,333 53,333 48,333
Polynomial 31,667 36,667 45 40
Gambar 4.103 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
118
3) 7-Fold
Tabel 4.106 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 27,976 27,976 50,595 33,333
RBF 18,056 24,802 50,397 45,437
Polynomial 26,19 33,532 43,452 43,452
Gambar 4.104 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
4) 9-Fold
Tabel 4.107 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 20,106 35,185 50,529 34,921
RBF 19,841 25,661 48,677 39,947
Polynomial 28,571 35,979 36,772 37,302
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
Gambar 4.105 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Ekonomi
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Bahasa Inggris menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.108 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 31,25 43,75 54,167 52,083
RBF 37,5 39,583 54,167 47,917
Polynomial 37,5 31,25 50 33,333
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
120
Gambar 4.106 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Ekonomi
2) 5-Fold
Tabel 4.109 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 27,333 42,444 60,889 48,222
RBF 33,556 46,667 61,111 48,222
Polynomial 35,111 36 50,667 48
Gambar 4.107 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Ekonomi
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
121
3) 7-Fold
Tabel 4.110 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 31,293 48,299 58,844 46,259
RBF 31,293 43,878 64,626 41,497
Polynomial 20,408 35,714 46,259 45,578
Gambar 4.108 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Ekonomi
4) 9-Fold
Tabel 4.111 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 36,296 52,593 51,481 48,148
RBF 38,148 48,519 56,667 44,074
Polynomial 35,926 38,889 47,407 35,926
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
122
Gambar 4.109 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Ekonomi
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.112 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 29,167 43,75 56,25 50
RBF 27,083 35,417 56,25 47,917
Polynomial 27,083 27,083 54,167 31,25
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
123
Gambar 4.110 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Ekonomi
2) 5-Fold
Tabel 4.113 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada program
Studi Pendidikan Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 14,889 44,667 65,111 50,222
RBF 18,667 38,444 56,889 46
Polynomial 29,111 31,556 56,667 45,778
Gambar 4.111 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Ekonomi
3) 7-Fold
Tabel 4.114 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 14,966 48,299 60,884 52,381
RBF 18,707 41,837 64,626 45,578
Polynomial 25,17 37,755 60,544 39,456
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
124
Gambar 4.112 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Ekonomi
4) 9-Fold
Tabel 4.115 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Deteksi Outlier pada program
Studi Pendidikan Ekonomi
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 21,111 48,299 57,778 50,741
RBF 24,815 41,837 56,667 48,519
Polynomial 32,963 37,755 53,333 43,333
Gambar 4.113 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Ekonomi
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
125
4.2.8 Percobaan Pada program studi Pendidikan Fisika
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Fisika tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.116 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 41,984 51,746 56,825 51,825
RBF 37,143 51,667 63,016 51,667
Polynomial 37,063 48,413 56,508 56,429
Gambar 4.114 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
2) 5-Fold
Tabel 4.117 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 38,59 48,205 55 58,333
RBF 32,308 48,205 62,821 56,538
Polynomial 29,231 46,667 55 57,949
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
126
Gambar 4.115 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
3) 7-Fold
Tabel 4.118 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 43,849 50,595 56,746 60,317
RBF 35,714 55,159 64,881 59,921
Polynomial 33,939 48,214 61,31 61,111
Gambar 4.116 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Fisika
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
127
4) 9-Fold
Tabel 4.119 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,503 46,032 55,026 56,878
RBF 32,54 58,73 64,815 61,376
Polynomial 37,302 43,386 55,026 54,762
Gambar 4.117 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.120 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 32,381 48,413 48,492 46,825
RBF 32,381 48,413 58,095 49,921
Polynomial 25,794 45,159 49,921 43,413
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
128
Gambar 4.118 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
2) 5-Fold
Tabel 4.121 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 28,077 51,538 55 55
RBF 32,308 46,667 62,821 54,872
Polynomial 27,821 34,103 46,538 40,128
Gambar 4.119 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
129
3) 7-Fold
Tabel 4.122 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 21,429 42,063 56,944 60,317
RBF 28,968 51,786 64,881 58,333
Polynomial 32,143 35,317 46,627 43,254
Gambar 4.120 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
4) 9-Fold
Tabel 4.123 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 17,989 44,18 53,439 56,878
RBF 32,54 52,116 64,815 59,788
Polynomial 25,661 43,386 40,212 38,36
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
130
Gambar 4.121 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Fisika
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Fisika menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.124 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 42,892 63,235 63,48 61,397
RBF 44,975 69,608 61,397 61,397
Polynomial 22,426 42,892 67,402 63,113
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
131
Gambar 4.122 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Fisika
2) 5-Fold
Tabel 4.125 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,111 61,556 67,556 69,778
RBF 40,889 65,556 69,556 71,778
Polynomial 29,111 51,111 58,889 54,444
Gambar 4.123 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Fisika
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
132
3) 7-Fold
Tabel 4.126 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,939 67,347 61,224 63,265
RBF 40,816 75,51 71,429 73,469
Polynomial 36,735 46,939 51,02 55,102
Gambar 4.124 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Fiska
4) 9-Fold
Tabel 4.127 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 43,333 69,63 70 70,37
RBF 38,148 71,852 75,926 80
Polynomial 28,889 47,407 64,074 58,148
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
133
Gambar 4.125 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Fisika
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.128 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,059 63,113 63,48 61,397
RBF 44,853 65,441 65,441 61,397
Polynomial 28,431 53,186 67,279 69,24
0
10
20
30
40
50
60
70
80
90
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
134
Gambar 4.126 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Fisika
2) 5-Fold
Tabel 4.129 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,333 59,778 65,556 69,778
RBF 41,111 63,556 67,556 71,778
Polynomial 28,889 53,778 67,333 59,111
Gambar 4.127 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Fisika
3) 7-Fold
Tabel 4.130 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 42,857 67,347 61,224 63,265
RBF 44,898 73,469 73,469 75,51
Polynomial 36,612 57,143 69,388 67,347
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
135
Gambar 4.128 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Fisika
4) 9-Fold
Tabel 4.131 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Deteksi Outlier pada program
Studi Pendidikan Fisika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 39,63 67,407 65,926 68,148
RBF 38,519 71,852 77,778 80
Polynomial 21,852 53,704 67,778 79,37
Gambar 4.129 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Fisika
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
90
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
136
4.2.9 Percobaan Pada program studi Pendidikan Guru Sekolah Dasar
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Guru Sekolah Dasar tanpa menggunakan deteksi
outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.132 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,667 69,959 68,313 66,667
RBF 66,667 69,959 67,078 65,432
Polynomial 61,728 67,901 65,844 63,786
Gambar 4.130 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
2) 5-Fold
Tabel 4.133 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,65 69,957 68,291 66,641
RBF 66,65 69,541 67,058 67,874
Polynomial 61,735 69,541 66,65 66,259
56
58
60
62
64
66
68
70
72
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
137
Gambar 4.131 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
3) 7-Fold
Tabel 4.134 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,639 69,94 68,283 66,627
RBF 66,639 69,112 67,047 67,443
Polynomial 64,574 68,703 64,598 64,562
Gambar 4.132 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Guru Sekolah Dasar
56
58
60
62
64
66
68
70
72
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
61
62
63
64
65
66
67
68
69
70
71
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
138
4) 9-Fold
Tabel 4.135 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,667 69,959 68,313 66,667
RBF 66,667 69,547 67,078 65,844
Polynomial 63,786 68,313 64,609 65,844
Gambar 4.133 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.136 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,667 69,959 68,313 66,667
RBF 66,667 69,959 67,078 65,432
Polynomial 63,374 67,901 65,844 65,432
60
61
62
63
64
65
66
67
68
69
70
71
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
139
Gambar 4.134 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
2) 5-Fold
Tabel 4.137 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,65 69,957 68,291 66,641
RBF 66,65 69,541 67,058 67,874
Polynomial 63,367 69,957 66,241 66,25
Gambar 4.135 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
60
62
64
66
68
70
72
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
60
62
64
66
68
70
72
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
140
3) 7-Fold
Tabel 4.138 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,639 69,94 68,283 66,627
RBF 66,639 68,703 67,047 67,035
Polynomial 64,166 67,059 64,586 64,562
Gambar 4.136 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
4) 9-Fold
Tabel 4.139 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,667 69,959 68,313 66,667
RBF 66,667 69,136 66,667 65,432
Polynomial 64,198 66,255 65,844 64,198
61
62
63
64
65
66
67
68
69
70
71
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
141
Gambar 4.137 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Guru Sekolah Dasar menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.140 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,857 77,143 74,286 71,905
RBF 72,857 77,143 74,762 70,952
Polynomial 67,143 64,762 58,571 52,857
61
62
63
64
65
66
67
68
69
70
71
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
142
Gambar 4.138 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
2) 5-Fold
Tabel 4.141 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,857 77,143 74,286 71,905
RBF 72,857 77,143 74,286 71,905
Polynomial 65,714 75,714 72,381 70,952
Gambar 4.139 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
0
10
20
30
40
50
60
70
80
90
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
58
60
62
64
66
68
70
72
7476
78
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
143
3) 7-Fold
Tabel 4.142 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,857 77,143 74,286 71,905
RBF 72,857 77,143 74,286 72,381
Polynomial 67,143 74,286 70 68,571
Gambar 4.140 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Guru Sekolah Dasar
4) 9-Fold
Tabel 4.143 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,846 77,154 74,215 71,88
RBF 72,846 77,154 74,215 70,471
Polynomial 65,197 75,745 70,934 66,224
62
64
66
68
70
72
74
76
78
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
144
Gambar 4.141 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.144 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,857 77,143 74,286 71,905
RBF 72,857 77,143 74,762 70,952
Polynomial 66,19 73,81 69,524 65,238
58
60
62
64
66
68
7072
74
76
78
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
58
60
62
64
6668
70
72
74
76
78
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
145
Gambar 4.142 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Guru Sekolah Dasar
2) 5-Fold
Tabel 4.145 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,857 77,143 74,286 71,905
RBF 72,857 77,143 74,286 71,905
Polynomial 66,667 76,667 71,905 69,524
Gambar 4.143 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Guru Sekolah Dasar
3) 7-Fold
Tabel 4.146 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,857 77,143 74,286 71,905
RBF 72,857 77,143 74,286 72,381
Polynomial 66,19 74,762 70,476 67,143
60
62
64
66
68
70
72
74
76
78
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
146
Gambar 4.144 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Guru Sekolah Dasar
4) 9-Fold
Tabel 4.147 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Deteksi Outlier pada program
Studi Pendidikan Guru Sekolah Dasar
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 72,846 77,154 74,215 71,88
RBF 72,846 77,154 74,215 70,954
Polynomial 67,613 77,154 70,491 65,278
Gambar 4.145 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Guru Sekolah Dasar
60
62
64
66
68
70
72
74
76
78
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
58
60
62
64
66
68
70
72
7476
78
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
147
4.2.10 Percobaan Pada program studi Pendidikan Matematika
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Matematika tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.148 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 52,615 64,513 57,897 56,667
RBF 63,282 64,462 61,795 54
Polynomial 48,615 44,718 43,385 51,385
Gambar 4.146 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
2) 5-Fold
Tabel 4.149 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,083 65,583 55,167 56,583
RBF 65,75 64,417 61,75 55,25
Polynomial 47,25 48,667 51,167 51,25
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
148
Gambar 4.147 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
3) 7-Fold
Tabel 4.150 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 56,753 64,247 57,922 56,623
RBF 64,117 62,987 60,519 52,727
Polynomial 43,247 51,299 50,13 44,675
Gambar 4.148 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Matematika
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
149
4) 9-Fold
Tabel 4.151 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,167 60,648 56,481 56,636
RBF 60,802 64,506 61,883 54,012
Polynomial 42,284 52,778 50 47,377
Gambar 4.149 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.152 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 53,949 57,897 56,564 58
RBF 60,615 60,462 63,128 56,615
Polynomial 44,667 42,051 42,051 47,436
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
150
Gambar 4.150 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
2) 5-Fold
Tabel 4.153 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 57,833 64,333 55,167 57,917
RBF 64,5 65,75 59,083 59,25
Polynomial 45,917 51,167 47,25 59,25
Gambar 4.151 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
151
3) 7-Fold
Tabel 4.154 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 54,156 58,052 59,221 57,922
RBF 63,117 63,117 59,221 55,325
Polynomial 36,623 49,87 48,701 47,273
Gambar 4.152 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
4) 9-Fold
Tabel 4.155 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 48,765 59,414 56,481 56,636
RBF 59,722 62,037 61,728 58,025
Polynomial 43,673 50,309 44,907 55,401
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
152
Gambar 4.153 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Matematika
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Matematika menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.156 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 61,667 63,333 60 55
RBF 56,667 61,667 66,667 56,667
Polynomial 46,667 40 41,667 48,333
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
153
Gambar 4.154 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Matematika
2) 5-Fold
Tabel 4.157 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 68,333 75 63,333 63,333
RBF 65 68,333 70 63,333
Polynomial 48,333 43,333 43,333 53,333
Gambar 4.155 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Matematika
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
154
3) 7-Fold
Tabel 4.158 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 59,921 70,04 63,492 63,492
RBF 59,524 62,897 66,667 60,317
Polynomial 43,254 57,341 51,587 51,786
Gambar 4.156 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Matematika
4) 9-Fold
Tabel 4.159 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 63,492 71,958 62,963 63,492
RBF 57,672 66,402 61,111 60,317
Polynomial 43,651 47,09 56,614 46,825
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
155
Gambar 4.157Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Matematika
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.160 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 56,667 63,333 61,667 56,667
RBF 55 56,667 65 56,667
Polynomial 40 40 45 45
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
156
Gambar 4.158 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Matematika
2) 5-Fold
Tabel 4.161 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 66,667 75 61,667 63,333
RBF 61,667 65 63,333 61,667
Polynomial 48,333 50 53,333 48,333
Gambar 4.159 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Matematika
3) 7-Fold
Tabel 4.162 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 61,508 70,04 65,079 63,492
RBF 56,349 59,722 65,079 61,905
Polynomial 51,389 55,754 53,77 47,024
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
157
Gambar 4.160 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Matematika
4) 9-Fold
Tabel 4.163 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Deteksi Outlier pada program
Studi Pendidikan Matematika
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 61,64 70,106 64,55 63,492
RBF 54,497 62,963 61,111 65,079
Polynomial 45,238 48,677 60,053 53,704
Gambar 4.161 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Matematika
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
80
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
158
4.2.11 Percobaan Pada program studi Pendidikan Sejarah
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Sejarah tanpa menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.164 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,713 47,101 50 51,449
RBF 48,611 38,527 49,879 49,94
Polynomial 41,546 38,527 39,976 44,324
Gambar 4.162 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
2) 5-Fold
Tabel 4.165 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 41,429 47,143 50 51,429
RBF 44,286 42,857 47,143 50
Polynomial 40 40 44,286 42,857
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
159
Gambar 4.163 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
3) 7-Fold
Tabel 4.166 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 44,286 47,143 50 51,429
RBF 45,714 42,857 48,571 50
Polynomial 34,286 35,714 40 41,429
Gambar 4.168 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Pendidikan Sejarah
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
160
4) 9-Fold
Tabel 4.167 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 46,23 47,024 50 51,389
RBF 46,032 42,659 47,024 48,413
Polynomial 37,5 35,516 41,27 44,048
Gambar 4.165 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.168 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 40,036 39,915 47,101 48,551
RBF 40,097 34,239 49,94 52,778
Polynomial 41,425 32,79 37,077 37,138
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
161
Gambar 4.166 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
2) 5-Fold
Tabel 4.169 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 41,429 42,857 45,714 51,429
RBF 38,571 30 42,857 50
Polynomial 31,429 35,714 38,571 42,857
Gambar 4.167 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
162
3) 7-Fold
Tabel 4.170 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 45,714 38,571 45,714 50
RBF 40 32,857 44,286 45,714
Polynomial 35,714 31,429 34,286 38,571
Gambar 4.168 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
4) 9-Fold
Tabel 4.171 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 44,841 43,056 41,667 50
RBF 40,476 32,937 44,444 44,444
Polynomial 34,127 32,738 32,738 35,317
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
163
Gambar 4.169 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada program Studi
Pendidikan Sejarah
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap program studi
Pendidikan Sejarah menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.172 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 49,346 54,466 54,466 58,279
RBF 49,346 50,763 54,466 54,575
Polynomial 41,285 39,869 46,841 41,176
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
164
Gambar 4.170 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Sejarah
2) 5-Fold
Tabel 4.173 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 43,455 52 55,818 57,818
RBF 41,818 44,727 55,818 56
Polynomial 39,455 44,727 52 50,182
Gambar 4.171 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Sejarah
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
165
3) 7-Fold
Tabel 4.174 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 49,235 52,041 55,612 57,653
RBF 43,878 48,214 51,786 53,827
Polynomial 37,755 50 51,786 49,745
Gambar 4.172 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Pendidikan
Sejarah
4) 9-Fold
Tabel 4.175 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,778 51,111 52,963 58,519
RBF 44,074 47,707 49,259 52,963
Polynomial 49,259 47,407 50,741 50,37
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
166
Gambar 4.173 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada program Studi
Pendidikan Sejarah
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.176 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 49,237 50,763 54,466 58,279
RBF 54,902 52,614 56,427 56,536
Polynomial 45,316 36,057 45,098 43,137
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
167
Gambar 4.174 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi
Pendidikan Sejarah
2) 5-Fold
Tabel 4.177 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,091 54 55,818 57,818
RBF 49,273 44,727 54 56
Polynomial 38 50,545 52,364 56,182
Gambar 4.175 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Sejarah
3) 7-Fold
Tabel 4.178 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
program Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 52,806 50 53,827 57,653
RBF 47,704 48,214 53,571 53,827
Polynomial 36,224 52,041 52,041 54,082
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
168
Gambar 4.176 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Pendidikan Sejarah
4) 9-Fold
Tabel 4.179 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Deteksi Outlier pada program
Studi Pendidikan Sejarah
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 47,778 49,259 53,333 56,667
RBF 51,852 47,407 47,407 52,963
Polynomial 40,741 52,963 51,111 52,593
Gambar 4.177 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada program Studi Pendidikan
Sejarah
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
0
10
20
30
40
50
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
169
4.2.12 Percobaan Pada Fakultas Guruan dan Ilmu Pendidikan
1. Tanpa Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap Fakultas
Guruan dan Ilmu Pendidikan tanpa menggunakan deteksi outlier
:
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.180 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,507 54,977 56,164 57,443
RBF 50,502 53,881 53,79 56,438
Polynomial 50,594 54,612 55,16 56,986
Gambar 4.178 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
2) 5-Fold
Tabel 4.181 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,507 54,977 56,164 57,443
RBF 50,969 54,247 54,977 56,621
Polynomial 51,416 54,703 55,16 56,986
46
48
50
52
54
56
58
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
170
Gambar 4.179 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
3) 7-Fold
Tabel 4.182 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier
pada Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,518 54,989 56,175 57,445
RBF 50,967 54,345 55,53 56,804
Polynomial 51,426 54,623 55,44 56,896
Gambar 4.180 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
46
48
50
52
54
56
58
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
46
48
50
52
54
56
58
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
171
4) 9-Fold
Tabel 4.183 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Tanpa Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,522 54,993 56,178 57,454
RBF 50,698 54,076 55,627 57,178
Polynomial 51,522 54,901 55,902 57,362
Gambar 4.181 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.184 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,776 54,977 56,164 57,443
RBF 49,589 53,699 53,699 56,256
Polynomial 49,68 54,429 54,795 56,895
46
48
50
52
54
56
58
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
172
Gambar 4.182 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
2) 5-Fold
Tabel 4.185 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,502 54,977 56,164 57,443
RBF 48,767 54,155 54,795 56,986
Polynomial 49,498 54,429 55,068 56,712
Gambar 4.183 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
44
46
48
50
52
54
56
58
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
44
46
48
50
52
54
56
58
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
173
3) 7-Fold
Tabel 4.186 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 50,787 54,989 56,175 57,445
RBF 49,595 54,71 54,431 56,62
Polynomial 49,78 54,988 54,893 57,078
Gambar 4.184 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
4) 9-Fold
Tabel 4.187 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Tanpa Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 51,064 54,993 56,178 57,454
RBF 49,6 54,074 55,44 57,083
Polynomial 49,876 54,537 55,811 57,454
44
46
48
50
52
54
56
58
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
174
Gambar 4.185 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Tanpa Deteksi Outlier pada Fakultas Guruan
dan Ilmu Pendidikan
2. Deteksi Outlier
Berikut ini merupakan hasil akurasi terhadap Fakultas
Guruan dan Ilmu Pendidikan menggunakan deteksi outlier :
a) Multiclass One-Against-One
1) 3-Fold
Tabel 4.188 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,927 61,476 62,224 63,18
RBF 54,86 61,263 61,156 61,9
Polynomial 54,009 57,738 52,617 55,283
44
46
48
50
52
54
56
58
60
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
175
Gambar 4.186 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-One, Deteksi Outlier pada Fakultas Guruan dan
Ilmu Pendidikan
2) 5-Fold
Tabel 4.189 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,93 61,479 62,224 63,177
RBF 54,014 60,734 62,543 61,688
Polynomial 55,291 61,479 61,797 62,537
Gambar 4.187 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-One, Deteksi Outlier pada Fakultas Guruan dan
Ilmu Pendidikan
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
48
50
52
54
56
58
60
62
64
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
176
3) 7-Fold
Tabel 4.190 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,918 61,467 62,215 63,178
RBF 51,547 58,268 57,631 57,313
Polynomial 54,316 61,467 60,824 62
Gambar 4.168 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-One, Deteksi Outlier pada Fakultas Guruan dan
Ilmu Pendidikan
4) 9-Fold
Tabel 4.191 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-One, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,921 61,467 62,215 63,172
RBF 54,117 60,938 60,52 63,066
Polynomial 55,173 61,467 62,215 63,172
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
177
Gambar 4.189 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-One, Deteksi Outlier pada Fakultas Guruan dan
Ilmu Pendidikan
b) Multiclass One-Against-All
1) 3-Fold
Tabel 4.192 Hasil akurasi menggunakan 3-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,82 61,476 62,224 63,18
RBF 55,5 61,263 61,263 61,901
Polynomial 54,329 59,02 55,716 59,127
48
50
52
54
56
58
60
62
64
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
48
50
52
54
56
58
60
62
64
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
178
Gambar 4.190 Grafik akurasi menggunakan 3-Fold, Multiclass
One-Against-All, Deteksi Outlier pada Fakultas Guruan dan
Ilmu Pendidikan
2) 5-Fold
Tabel 4.193 Hasil akurasi menggunakan 5-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,93 61,479 62,224 63,177
RBF 53,482 61,266 62,01 62,007
Polynomial 54,97 61,158 62,224 62,963
Gambar 4.191 Grafik akurasi menggunakan 5-Fold, Multiclass
One-Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan
3) 7-Fold
Tabel 4.194 Hasil akurasi menggunakan 7-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,918 61,467 62,215 63,178
RBF 52,613 58,695 57,844 58,486
Polynomial 54,745 61,253 61,682 62,43
48
50
52
54
56
58
60
62
64
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
179
Gambar 4.192 Grafik akurasi menggunakan 7-Fold, Multiclass
One-Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan
4) 9-Fold
Tabel 4.195 Hasil akurasi menggunakan 9-Fold,
Multiclass One-Against-All, Deteksi Outlier pada
Fakultas Guruan dan Ilmu Pendidikan
Kernel IPK 1 IPK 2 IPK 3 IPK 4
Linear 55,921 61,467 62,215 63,172
RBF 54,652 60,091 59,991 62,115
Polynomial 54,322 61,254 62,215 63,172
Gambar 4.193 Grafik akurasi menggunakan 9-Fold, Multiclass
One-Against-All, Deteksi Outlier pada Fakultas Guruan dan Ilmu
Pendidikan
0
10
20
30
40
50
60
70
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
48
50
52
54
56
58
60
62
64
Linear RBF Polynomial
Aku
rasi
(%)
Jenis Kernel
IPK 1 IPK 2 IPK 3 IPK 4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
180
4.3 Analisis Hasil Keseluruhan Pengujian
Algoritma Support Vector Machine dengan proses awal dataset tersebut
melalui pembersihan data, multiclass, kernel, dan k-fold yang berbeda
menghasilkan akurasi tertinggi dari setiap program studi di Fakultas
Keguruan dan Ilmu Pendidikan adalah sebagai berikut:
Tabel 4.196 Akurasi Tertinggi Setiap Program Studi
Program
Studi
Akurasi
Tertinggi IPK
Deteksi
Outlier Multiclass Kernel
Jumlah
Fold
Bimbingan
dan
Konseling
59,568% 1 Ya
one
against
one
linear 3
72,222% 2 Ya
one
against
all
rbf 3
67,208% 3 Ya
one
against
one dan
one
against
all
linear dan
rbf 7
70,988% 4 Ya
one
against
one dan
one
against
all
linear dan
rbf 9
Ilmu
Pendidikan
Agama
Katolik
62% 1 Ya
one
against
one dan
one
rbf 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
181
against
all
75,818% 2 Ya
multiclass
one
against
one dan
one
against
all
rbf 5
66,071% 3 Ya
one
against
one dan
one
against
all
polynomial 7
71,939% 4 Ya
one
against
one dan
one
against
all
polynomial 7
Pendidikan
Akutansi
48,831% 1 Ya
one
against
all
linear 7
61,143% 2 Ya
one
against
one
linear 5
72,381% 3 Ya
one
against
all
linear 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
182
61,111% 4 Ya
one
against
all
linear 9
Pendidikan
Bahasa
Inggris
74,091% 1 Ya
one
against
all
rbf 7
72,92% 2 Ya
one
against
one
rbf 7
69,766% 3 Ya
one
against
one dan
one
against
all
linear dan
rbf 5
75,118% 4 Ya
one
against
one dan
one
against
all
rbf 7
Pendidikan
Biologi
60% 1 Ya
one
against
one
rbf 7
66,19% 2 Ya
one
against
one dan
one
against
all
linear dan
rbf 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
183
79,04% 3 Ya
one
against
one
linear dan
rbf 9
75% 4 Ya
one
against
all
linear dan
rbf 5
Pendidikan
Bahasa dan
Sastra
Indonesia
60,979% 1 Ya
one
against
one
rbf 3
65,909% 2 Ya
one
against
one dan
one
against
all
linear dan
rbf 7
62,169% 3 Ya
one
against
one
rbf 3
58,51% 4 Ya
one
against
all
linear 3
Pendidikan
Ekonomi
38,148% 1 Ya
one
against
one
rbf 9
52,593% 2 Ya
one
against
one
linear 9
65,111% 3 Ya
one
against
all
linear 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
184
52,381% 4 Ya
one
against
all
linear 7
Pendidikan
Fisika
47,333% 1 Ya
one
against
all
linear 5
75,51% 2 Ya
one
against
one
rbf 7
77,778% 3 Ya
one
against
all
rbf 9
80% 4 Ya
one
against
one dan
one
against
all
rbf 9
Pendidikan
Guru
Sekolah
Dasar
72,857% 1 Ya
multiclass
one
against
one dan
one
against
all
linear dan
rbf
3, 5,
dan 7
77,154% 2 Ya
one
against
one dan
one
against
all
linear, rbf,
dan
polynomial
9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
185
74,762% 3 Ya
one
against
one dan
one
against
all
rbf 5
72,381% 4 Ya
multiclass
one
against
one dan
one
against
all
rbf 7
Pendidikan
Matematika
68,333% 1 Ya
one
against
one
linear 5
75% 2 Ya
one
against
one dan
one
against
all
linear 5
70% 3 Ya
one
against
one dan
one
against
all
rbf 5
65,079% 4 Ya
one
against
all
rbf 9
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
186
Pendidikan
Sejarah
54,902% 1 Ya
one
against
all
rbf, 3
54,466% 2 Ya
one
against
one
linear 3
56,427% 3 Ya
one
against
all
rbf 3
58,519% 4 Ya
one
against
one
linear 9
Fakultas
Keguruan
dan Ilmu
Pendidikan
55,93% 1 Ya
one
against
one
linear 5
61,479% 2 Ya
one
against
one dan
one
against
all
linear dan
polynomial 5
62,543% 3 Ya
one
against
one
rbf 5
63,18% 4 Ya
one
against
one dan
one
against
all
linear 3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
187
a. Hasil akurasi tertinggi dari dataset program studi Bimbingan dan
Konseling adalah untuk IPK 1 dengan deteksi outlier, multiclass one
against one, kernel linear, dan 3 fold menghasilkan akurasi 59,568%.
Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one against all,
kernel rbf dan 3 fold menghasilkan akurasi 72,222%. Untuk IPK 3
dengan dikenai deteksi outlier, multiclass one against one dan one
against all, kernel linear dan rbf, dan 7 fold menghasilkan akurasi
67,208%. Untuk IPK 4 dengan dikenai deteksi outlier, multiclass one
against one dan one against all, kernel linear dan rbf, dan 9 fold
menghasilkan akurasi 70,988%.
b. Hasil akurasi tertinggi dari dataset program studi Ilmu Pendidikan
Agama Katolik adalah untuk IPK 1 dengan deteksi outlier, multiclass
one against one dan one against all, kernel rbf, dan 5 fold menghasilkan
akurasi 62%. Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one
against one dan one against all, kernel rbf dan 5 fold menghasilkan
akurasi 75,818%. Untuk IPK 3 dengan dikenai deteksi outlier,
multiclass one against one dan one against all, kernel polynomial, dan
7 fold menghasilkan akurasi 66,071%. Untuk IPK 4 dengan dikenai
deteksi outlier, multiclass one against one dan one against all, kernel
polynomial, dan 7 fold menghasilkan akurasi 71,939%.
c. Hasil akurasi tertinggi dari dataset program studi Pendidikan Akutansi
adalah untuk IPK 1 dengan deteksi outlier, multiclass one against all,
kernel linear, dan 7 fold menghasilkan akurasi 48,831%. Untuk IPK 2
dengan dikenai deteksi outlier, multiclass one against one, kernel linear
dan 5 fold menghasilkan akurasi 61,143%. Untuk IPK 3 dengan dikenai
deteksi outlier, multiclass one against all, kernel linear, dan 5 fold
menghasilkan akurasi 72,381%. Untuk IPK 4 dengan dikenai deteksi
outlier, multiclass one against all, kernel linear, dan 9 fold
menghasilkan akurasi 61,111%.
d. Hasil akurasi tertinggi dari dataset program studi Pendidikan Bahasa
Inggris adalah untuk IPK 1 dengan deteksi outlier, multiclass one
against all, kernel rbf, dan 7 fold menghasilkan akurasi 74,091%. Untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
188
IPK 2 dengan dikenai deteksi outlier, multiclass one against one, kernel
rbf dan 7 fold menghasilkan akurasi 72,92%. Untuk IPK 3 dengan
dikenai deteksi outlier, multiclass one against one dan one against all,
kernel linear dan rbf, dan 5 fold menghasilkan akurasi 69,766%. Untuk
IPK 4 dengan dikenai deteksi outlier, multiclass one against one dan one
against all, kernel rbf, dan 7 fold menghasilkan akurasi 75,118%.
e. Hasil akurasi tertinggi dari dataset program studi Pendidikan Biologi
adalah untuk IPK 1 dengan deteksi outlier, multiclass one against one,
kernel rbf, dan 7 fold menghasilkan akurasi 60%. Untuk IPK 2 dengan
dikenai deteksi outlier, multiclass one against one dan one against all,
kernel linear dan rbf dan 7 fold menghasilkan akurasi 66,19%. Untuk
IPK 3 dengan dikenai deteksi outlier, multiclass one against one, kernel
linear dan rbf, dan 9 fold menghasilkan akurasi 79,04%. Untuk IPK 4
dengan dikenai deteksi outlier, multiclass one against all, kernel linear
dan rbf, dan 5 fold menghasilkan akurasi 75%.
f. Hasil akurasi tertinggi dari dataset program studi Pendidikan Bahasa dan
Sastra Indonesia adalah untuk IPK 1 dengan deteksi outlier, multiclass
one against one, kernel rbf, dan 3 fold menghasilkan akurasi 60,979%.
Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one against one
dan one against all, kernel linear dan rbf dan 7 fold menghasilkan
akurasi 65,909%. Untuk IPK 3 dengan dikenai deteksi outlier,
multiclass one against one, kernel rbf, dan 3 fold menghasilkan akurasi
62,169%. Untuk IPK 4 dengan dikenai deteksi outlier, multiclass one
against all, kernel linear, dan 3 fold menghasilkan akurasi 58,51%.
g. Hasil akurasi tertinggi dari dataset program studi Pendidikan Ekonomi
adalah untuk IPK 1 dengan deteksi outlier, multiclass one against one,
kernel rbf, dan 9 fold menghasilkan akurasi 38,148%. Untuk IPK 2
dengan dikenai deteksi outlier, multiclass one against one, kernel linear
dan 9 fold menghasilkan akurasi 52,593%. Untuk IPK 3 dengan dikenai
deteksi outlier, multiclass one against all, kernel linear, dan 5 fold
menghasilkan akurasi 65,111%. Untuk IPK 4 dengan dikenai deteksi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
189
outlier, multiclass one against all, kernel linear, dan 7 fold
menghasilkan akurasi 52,381%.
h. Hasil akurasi tertinggi dari dataset program studi Pendidikan Fisika
adalah untuk IPK 1 dengan deteksi outlier, multiclass one against all,
kernel linear, dan 5 fold menghasilkan akurasi 47,333%. Untuk IPK 2
dengan dikenai deteksi outlier, multiclass one against one, kernel rbf
dan 7 fold menghasilkan akurasi 75,51%. Untuk IPK 3 dengan dikenai
deteksi outlier, multiclass one against all, kernel rbf, dan 9 fold
menghasilkan akurasi 77,778%. Untuk IPK 4 dengan dikenai deteksi
outlier, multiclass one against one dan one against all, kernel rbf, dan 9
fold menghasilkan akurasi 80%.
i. Hasil akurasi tertinggi dari dataset program studi Pendidikan Guru
Sekolah Dasar adalah untuk IPK 1 dengan deteksi outlier, multiclass one
against one dan one against all, kernel linear dan rbf, dan 3 fold, 5 fold
dan 7 fold menghasilkan akurasi 72,857%. Untuk IPK 2 dengan dikenai
deteksi outlier, multiclass one against one dan one against all, kernel
linear, rbf, dan polynomial dan 9 fold menghasilkan akurasi 77,154%.
Untuk IPK 3 dengan dikenai deteksi outlier, multiclass one against one
dan one against all, kernel rbf, dan 5 fold menghasilkan akurasi
74,762%. Untuk IPK 4 dengan dikenai deteksi outlier, multiclass one
against one dan one against all, kernel rbf, dan 7 fold menghasilkan
akurasi 72,381%.
j. Hasil akurasi tertinggi dari dataset program studi Pendidikan
Matematika adalah untuk IPK 1 dengan deteksi outlier, multiclass one
against one, kernel linear, dan 5 fold menghasilkan akurasi 68,333%.
Untuk IPK 2 dengan dikenai deteksi outlier, multiclass one against one
dan one against all, kernel linear dan 5 fold menghasilkan akurasi 75%.
Untuk IPK 3 dengan dikenai deteksi outlier, multiclass one against one
dan one against one, kernel rbf, dan 5 fold menghasilkan akurasi 70%.
Untuk IPK 4 dengan dikenai deteksi outlier, multiclass one against all,
kernel rbf, dan 9 fold menghasilkan akurasi 65,079%.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
190
k. Hasil akurasi tertinggi dari dataset program studi Pendidikan Sejarah
adalah untuk IPK 1 dengan deteksi outlier, multiclass one against all,
kernel rbf, dan 3 fold menghasilkan akurasi 54,902%. Untuk IPK 2
dengan dikenai deteksi outlier, multiclass one against one, kernel linear
dan 3 fold menghasilkan akurasi 54,466%. Untuk IPK 3 dengan dikenai
deteksi outlier, multiclass one against all, kernel rbf, dan 3 fold
menghasilkan akurasi 56,427 %. Untuk IPK 4 dengan dikenai deteksi
outlier, multiclass one against one, kernel linear, dan 9 fold
menghasilkan akurasi 58,519%.
l. Hasil akurasi tertinggi dari dataset gabungan program studi Fakultas
Keguruan dan Ilmu Pendidikan adalah untuk IPK 1 dengan deteksi
outlier, multiclass one against one, kernel linear, dan 5 fold
menghasilkan akurasi 55,93%. Untuk IPK 2 dengan dikenai deteksi
outlier, multiclass one against one dan one against all, kernel linear dan
polynomial, dan 5 fold menghasilkan akurasi 61,479%. Untuk IPK 3
dengan dikenai deteksi outlier, multiclass one against one, kernel rbf,
dan 5 fold menghasilkan akurasi 62,543%. Untuk IPK 4 dengan dikenai
deteksi outlier, multiclass one against one dan one against all, kernel
linear, dan 3 fold menghasilkan akurasi 63,18%.
Berikut ini merupakan rata-rata akurasi terbaik setiap program studi:
a. Bimbingan dan Konseling : 67,497%
b. Ilmu Pendidikan dan Agama Katolik : 68,957%
c. Pendidikan Akutansi : 60,867%
d. Pendidikan Bahasa Inggris : 72,974%
e. Pendidikan Biologi : 70,058%
f. Pendidikan Bahasa dan Sastra Indonesia : 61,892%
g. Pendidikan Ekonomi : 52,058%
h. Pendidikan Fisika : 70,155%
i. Pendidikan Guru Sekolah Dasar : 74,289%
j. Pendidikan Matematika : 69,603%
k. Pendidikan Sejarah : 56,079%
l. Fakultas Keguruan dan Ilmu Pendidikan : 60,783%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
191
BAB V
PENUTUP
5.1 Kesimpulan
Hasil penelitian menggunakan metode Support Vector Machine
untuk klasifikasi prestasi akademik mahasiswa berdasarkan tes potensi
akademik menghasilkan kesimpulan sebagai berikut:
1. Algoritma Support Vector Machine dapat diimplementasikan untuk
klasifikasi prestasi akademik mahasiswa berdasarkan hasil tes potensi
akademik.
2. Akurasi klasifikasi terbaik yang dihasilkan oleh metode Support Vector
Machine terhadap 12 dataset adalah 80% untuk data program studi
Pendidikan Fisika pada IPK 4 dengan dikenai deteksi outlier, multiclass
one against one dan one against all, kernel rbf, dan 9 fold cross
validation.
3. Rata-rata akurasi terbaik dataset seluruh prodi di Fakultas Keguruan dan
Ilmu Pendidikan adalah sebesar 60,783%. Hal ini berarti bahwa dari
dataset mahasiswa FKIP tersebut sebesar 60,783% yang dapat
diklasifikasikan dengan tepat prestasi akademiknya menggunakan
algoritma SVM.
5.2 Saran
Berikut ini adalah saran untuk pengembangan penelitian yang akan
datang, yaitu:
1. Untuk meningkatkan akurasi, dapat dilakukan penelitian lebih lanjut
dengan:
a. Menerapkan metode lain selain Support Vector Machine.
b. Melakukan data cleaning dengan metode outlier detection lainnya.
2. Menambahkan variabel untuk meningkatkan akurasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
192
DAFTAR PUSTAKA
Farida, Intan Nur & Ratih Kumalasari N., (2017), Penggunaan Algoritma Naïve
Bayes Untuk Mengevaluasi Prestasi Akademik Mahasiswa Universitas
Nusantara PGRI Kediri. Kediri: Universitas Nusantara PGRI Kediri, Jurnal
Sains dan Informatika Volume 3, Nomor 2, November 2017, e-ISSN: 2598-
5841.
Han, J., Kamber, M. & Pei, J., (2012), Data Mining : Concepts and Techniques.
Waltham: Morgan Kaufmann Publishers.
Hasibuan, Chainur A. et.al., (2017), Klasifikasi Diagnosa Penyakit Demam
Berdarah Dengue (DBD) Menggunakan Support Vector Machine (SVM)
Berbasis GUI Matlab. Jurnal Gaussian, Volume 6, Nomor 2, Tahun 2017,
Halaman 171-180, ISSN: 2339-2541.
Kurniawan, Vincentius B., (2019), Prediksi Prestasi Akademik Mahasiswa
Berdasarkan Hasil Tes Potensi Akademik dengan Algoritma K-Nearest
Neighbor, Yogyakarta: Universitas Sanata Dharma
Kurniawaty, D. et.al., (2018), Klasifikasi Gangguan Jiwa Skizofrenia
Menggunakan Algoritme Support Vector Machine (SVM). Universitas
Brawijaya, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol.2, No.5, Mei 2018, halaman 1866-1873, e-ISSN : 2548-964X.
Lewinson, Eryk, (2018), Outlier Detection with Isolation Forest. di
https://towardsdatascience.com/outlier-detection-with-isolation-forest-
3d190448d45e (diakses pada Juli)
Mandias, Green F., (2015), Penerapan Data Mining Untuk Evaluasi Kinerja
Akademik Mahasiswa Di Universitas Klabat Dengan Metode Klasifikasi.
Universitas Klabat.
Nugroho, A. S., Witarto, A. B. & Handoko, D., (2003), Support Vector Machine –
Teori dan Aplikasinya dalam Bioinformatika, s.1: IlmuKomputer.Com
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
193
Ocataviani, Pusphita A. et.al., (2014), Penerapan Metode Klasifikasi Support
Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di
Kabupaten Magelang. Jurnal Gaussian, Volume 3, Nomor 4, Tahun 2014,
Halaman 811-820, ISSN: 2339-2541.
Santosa, B., n.d. Tutorial Support Vector Machines, Surabaya: Kampus ITS.
Suyanto, (2019), Data Mining untuk Klasifikasi dan Klasterisasi Data. Bandung:
penerbit INFORMATIKA.
Wicaksono, J. W., (2017), IDENTIFIKASI MAKNA KATA “SABAR” DALAM
KARYA SASTRA MENGGUNAKAN SUPPORT VECTOR MACHINE
(SVM) KERNEL POLINOMIAL, Yogyakarta: Universitas Sanata Dharma.
Zaki, M. J. & Jr., W. M., (2013), Data Mining and Analysis: Fudamental Concepts
and Algorithms. New York: Cambridge University Press.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI