GDL

Journal from ICTech
Oleh : Tri Agus Setiawan, M. Adib Al Karomi, STMIK Widya Pratama (tri.triagus.setiawan45@gmail.com, adib.comp@gmail.com)
Dibuat dengan 1 file

Keyword : algoritma kNN, Sample Bootstrapping, Atribut

Dalam klasifikasi semakin banyak atribut yang relevan yang dipakai akan mempengaruhi hasil akurasi dari algoritma tersebut. Seleksi fitur merupakan salah satu tahapan pre processing klasifikasi dengan cara menghilangkan fitur yang tidak relevan dalam data. Proses ini juga dapat mengurangi dimensi data serta meningkatkan akurasi klasifikasi. Algoritma kNearest Neighbor (kNN) merupakan metode untuk melakukan klasifikasi terhadap objek baru berdasarkan k tetangga terdekatnya. Algoritma kNN memiliki kelebihan karena sederhana, efektif dan telah banyak digunakan pada banyak masalah klasifikasi. Pada penelitian ini penggunaan metode Sample Bootstrapping diusulkan untuk meningkatkan akurasi yang optimal pada algoritma kNN. Metode Sample Bootstrapping digunakan untuk mengurangi jumlah data training yang akan diproses. Dalam penelitian ini menggunakan dataset yang memiliki dataset dengan dimensi yang tinggi. Dari hasil penelitian, penggunaan Sample Bootstrapping dengan algoritma pada dataset credit approval akurasinya meningkat 5.4% (96.87%-91.52%) dibandingkan algoritma kNN standar. Dari hasil penelitian yang dilakukan, dapat disimpulkan bahwa penggunaan Sample Bootstrapping dengan algoritma kNN menghasilkan akurasi yang lebih baik daripada algoritma kNN standar.

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