K-Nearest Neighbor (K-NN) merupakan teknik klasifikasi yang melakukan prediksi secara tegas pada data uji berdasarkan perbandingan K tetangga terdekat. Sedangkan Fuzzy K-Nearest Neighbor (FK-NN) melakukan prediksi data uji menggunakan basis nilai keanggotaan data uji pada setiap kelas, kemudian diambil kelas dengan nilai keangotaan terbesar dari data uji sebagai kelas hasil prediksi. Kedua metode tersebut memberikan cara klasifikasi yang sederhana, mudah dan cepat, tetapi akurasi prediksi yang diberikan masih kurang dari harapan. Perbaikan yang dilakukan dalam kerangka kerja Fuzzy K-Nearest Neighbor in every Class (FK-NNC) adalah dengan memodifikasi konsep K tetangga terdekat, dari asalnya hanya K tetangga terdekat dari C kelas, menjadi K tetangga terdekat untuk setiap kelas, sehingga ada CK tetangga yang ditemukan. Selanjutnya dilakukan perhitungan nilai keanggotaan data uji pada setiap kelas dengan basis akumulasi jarak K tetangga terdekat yang ditemukan. Kelas dengan nilai keangotaan terbesar akan dipilih sebagai kelas hasil prediksi. Akurasi yang didapatkan dari pengujian yang dilakukan dalam penelitian ini menunjukkan bahwa akurasi prediksi yang diberikan FK-NNC relatif lebih tinggi dari pada K-NN atau FK-NN, yaitu berkisar 82% - 97%. Nilai akurasi tertinggi yang didapatkan ini selisih 1% lebih tinggi dibandingkan dengan dua metode pembanding.

1. UBHARASURYA-Proceeding-46-santika2012fknnc.pdf
   146 KB - "application/pdf"
   
   

1. UBHARASURYA-Proceeding-46-santika2012fknnc.pdf
   146 KB - application/octetstream