Subyek: | : | Fuzzy K-Nearest Neighbor in Every Class Untuk Klasifikasi Data |
Kata Kunci | : | Fuzzy K-Nearest Neighbor Class klasifikasi |
Kontributor | : | Eko Prasetyo |
Tanggal tercipta | : | 2012-03-10 |
Jenis(Tipe) | : | Proceeding |
Bahasa | : | Indonesia |
Pengenal(Identifier) | : | UBHARASURYA-Proceeding-4 |
No Koleksi | : | 4 |
di-posting oleh eko@ubhara.ac.id pada 2015-11-02 00:28:49 • 646 klik

disusun oleh Eko Prasetyo
[ ANOTASI / ABSTRAK ]
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 CK 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.
[ DESKRIPSI LAIN ]

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

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