Algoritma klasifikasi yang sangat populer adalah K-Nearest Neighbor (K-NN), keunggulannya adalah kesederhanaan dalam algoritma prediksi, sedangkan kelemahannya adalah lambatnya dalam proses prediksi. Hal ini dikarenakan K-NN memproses semua data yang sebenarnya hanya beberapa saja yang berpengaruh pada keputusan hasil prediksi. Berbagai perbaikan sudah diusulkan oleh para peneliti baik untuk meningkatkan akurasi prediksinya maupun untuk mengurangi waktu komputasi pada saat proses prediksi. Dalam makalah ini dipaparkan hasil penelitian berupa metode K-Support Vector Nearest Neighbor (K-SVNN) untuk mendapatkan sejumlah support vector, dimana support vector inilah yang punya pengaruh besar pada hyperplane fungsi tujuan. K-SVNN tidak menggunakan metode Support Vector Machine (SVM) untuk mendapatkan support vector-nya, melainkan menggunakan algoritma khusus yang dikembangkan dalam penelitian ini untuk mendapatkan support vector-nya. Hasil pengujian menunjukkan bahwa kinerja prediksi K-SVNN relatif lebih baik dibandingkan metode-metode berbasis K-NN sebelumnya.

1. UBHARASURYA-Proceeding-47-sesindo2012ksvnn.pdf
   77 KB - "application/pdf"
   
   

1. UBHARASURYA-Proceeding-47-sesindo2012ksvnn.pdf
   77 KB - application/octetstream