Pada tugas ini, saya mendapat dataset ini dari data.go.id. Data ini merupakan data klasifikasi karena membedakan status gizi seorang balita berdasarkan kesamaan balita terhadap berat badan dan tinggi badan. Berikut hasil analisisnya:

status-gizi-balita

Pada decision tree data analisisnya, yaitu:
– apabila status gizi lebih dari 42.850 maka status gizi normal.
– apabila status gizi kurang dari sama dengan 42.850 maka ordered yang terbagi 2, yaitu:
– apabila ordered kurang dari sama dengan 1.500 maka termasuk status balita yang sangat kurus
– sedangkan untuk ordered lebih dari 1.500 maka termasuk ordered yang terpecah menjadi 2, yaitu:
– apabila ordered lebih 3 maka termasuk gemuk
– apabila ordered kurang dari makan termasuk kurus

Dari bagan decision tree diatas juga terdapat 4 klasifikasi status gizi balita, yaitu:
– Sangat Kurus
– Kurus
– Normal
– Gemuk

accuracy-decision-tree

Pada accuracy decision tree diatas, menjelaskan bahwa:
– Pada prediksi “sangat kurus” dan yang cocok “sangat kurus” memiliki data sebanyak 33 data. Maka class precision dan class recall sebesar 100%
-Pada prediksi “kurus” dan yang cocok “kurus” memiliki data sebanyak 33 data. Maka class precision class recall sebesar 100%
– Pada prediksi “normal” dan yang cocok “normal” memiliki data sebanyak 33 data. Maka class predicision dan class recall sebesar 100%
– Pada prediksi “gemuk” dan yang cocok “gemuk” memiliki data sebanyak 33 data. Maka class predicision dan class recall sebesar 100%

accuracy-knn

Gambar diatas menjelaskan accuracy menggunakan K-NN. Pada accuracy K-NN terdapat sedikit perbedaan dengan accuracy decision tree, berikut penjabaran:
– Pada prediksi “sangat kurus” dan yang cocok pada “sangat kurus” terdapat data sebanyak 32 data . Namun juga terdapat data yang diprediksi “sangat kurus” namun cocoknya pada data “kurus” sebanyak 1 data. Maka data recall dan data precision menjadi sebesar 96,97%.
– Pada prediksi “kurus” dan yang cocok pada”kurus” terdapat data sebanyak 32 dara. Namun juga terdapat data yang diprediksi “kurus” namun  data yang cocok pada sangat kurus sebanyak 1 data. Maka data recall dan data precision menjadi 96,67%.
– Pada prediksi “normal” dan yang cocok pada “normal” terdapat 33 data. Maka data recall dan data precision sebesar 100%.
-Pada prediksi “gemuk” dan data yang cocok  “gemuk” sebanyak 33 data. Maka data recall dan data precision sebesar 100%.

Berikut table perbandingan accuracy decision tree dan K-NN

perbandingan-decision-tree-knn

Iklan