GDL

Journal from ICTech
Oleh : Muhammad Rikzam Kamal, Hari Agung B, STMIK Widya Pratama (rikzamrx@gmail.com, hari_ab@yahoo.co.id)
Dibuat dengan 1 file

Keyword : k-NN, dataset besar, sample bootstraping, akurasi, waktu komputasi

K-NN adalah teknik sederhana namun sangat kuat untuk mengklasifikasikan berbagai data. k-NN dimana tetangga terdekat dihitung atas dasar nilai k, yang menentukan berapa banyak tetangga terdekat yang harus dipertimbangkan untuk menentukan kelas dari data titik sampel. Algoritma k-NN memiliki kelebihan karena sederhana, efektif, dan telah banyak digunakan pada banyak masalah klasifikasi. Namun algoritma k-NN memiliki kelemahan jika digunakan pada dataset yang besar akan membutuhkan waktu komputasi cukup tinggi, ini yang menjadikan masalah pada k-NN. Oleh karena itu, dilakukan integrasi metode Sample Bootstrapping kedalam k-NN untuk meningkatkan akurasi k-NN. Menghasilkan akurasi pada metode Sample Bootstraping kedalam k-NN lebih baik dibandingkan dengan k-NN dengan nilai selisih atau perbaikan pada K1 (4,07 prosen), K2 (2,61 prosen), K3 (1,05 prosen), dan K4 (0,97 prosen). Selain itu pada hasil waktu komputasi juga mendapatkan waktu lebih baik pada nilai K1 (1s) dan K4 (2s). Maka dapat disimpulkan bahwa dengan menggunakan metode Sample Bootstraping kedalam k-NN bisa membuat nilai akurasi dan waktu komputasi lebih baik dibandingkan dengan k-NN. Sehingga ini bisa menjadi solusi untuk mengatasi masalah dataset besar yang ada didalam metode k-NN

Beri Komentar ?#() | Bookmark

Properti	Nilai Properti
ID Publisher	ICTech
Organisasi	STMIK Widya Pratama
Nama Kontak	Slamet Joko Prasetiono, S.T.,M.Kom
Alamat	Jl. Patriot no. 25
Kota	Pekalongan
Daerah	Jawa Tengah
Negara	Indonesia
Telepon	0285-427816 , 0285-427817
Fax	0285-427815
E-mail Administrator	p3m@stmik-wp.ac.id
E-mail CKO	p3m@stmik-wp.ac.id