PERBAIKAN AKURASI FUZZY K-NEAREST NEIGHBOR IN EVERY CLASS MENGGUNAKAN FUNGSI KERNEL

Harunur Rosyid, Eko Prasetyo, Soffiana Agustin

Abstract


Salah satu algoritma klasifikasi yaitu K-NN menjadi algoritma yang sangat populer karena kesederhanaan dalam proses penggunaannya. Kelemahan K-NN adalah harus menggunakan seluruh data latih untuk melakukan proses prediksi. Banyak variasi-variasi K-NN yang diusulkan untuk melakukan perbaikan kinerja K-NN, baik dari sisi akurasi prediksi maupun waktu komputasi yang digunakan selama proses prediksi, seperti Fuzzy KNearest Neighbor (KFK-NN), dan Fuzzy K-NN in every Class (FK-NNC). Dalam makalah ini dipaparkan hasil penelitian berupa penggunaan fungsi kernel dalam Kernel Based FK-NNC (KB-FK-NNC) untuk meningkatkan kinerja akurasi prediksi. Hasil pengujian menunjukkan bahwa penggunaan kernel cukup baik untuk digunakan dalam membantu meningkatkan akurasi meskipun peningkatannya kurang signifikan. Akurasi yang didapatkan oleh KB-FK-NNC juga terlihat stabil untuk beberapa pilihan K dan  yang digunakan dalam pengujian.

Full Text:

PDF

References


Chen, HL., Yang, B., Wang, G., Liu, J., Vu, X., Wang, SJ., Liu, DY., 2011. A novel bankruptcy prediction model based on an adaptive fuzzy k-nearest neighbor method, Knowledge-Based Systems, Vol. 24, Issue 8, pp. 1348– 1359

Keller, JM., Gray, MR., Givens, JA. 1985, A Fuzzy KNearest Neighbor Algorithm, IEEE Transaction on Systems, Man, and Cybernetics. Vol 15. No 4:580-585

Li, D., Deogun, JS., Wang, K. 2007, Gene Function Classification Using Fuzzy K-Nearest Neighbor Approach, IEEE International Conference on Granular Computing, IEEE Computer Society.

Muller, KR., Mika, S., Ratsch, G.,Tsuda, K., Scholkopf, B., 2001, An Introduction to Kernel-Based Learning Algorithms, IEEE Transaction on Neural Networks, Vol. 12, No. 2, pp.181-202.

Prasetyo, E., 2012, Fuzzy K-Nearest Neighbor in Every Class Untuk Klasifikasi Data, Seminar Nasional Teknik Informatika (SANTIKA 2012), Teknik Informatika- Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur, pp 57-60

Tan, P, Steinbach, M, Kumar, V., 2006, Introduction to Data Mining, Pearson Education: Boston San Fransisco New York

UCI Machine Learning Repository , 20 Mei 2012, http://archive.ics.uci.edu/ml/datasets.html

Weinberger, KQ,, Blitzer, J., dan Saul, LK., 2005, Distance Metric Learning for Large Margin Nearest Neighbor Classification, Department of Computer and Information Science, University of Pennsylvania Levine Hall, 3330 Walnut Street, Philadelphia, PA 19104

Wu, XH., Zhou, JJ., 2005, Kernel-based Fuzzy K-nearestneighbor Algorithm, Proceedings of the 2005 International Conference on Computational Intelligence for Modelling, Control and Automation, and International Conference on Intelligent Agents, Web Technologies and Internet Commerce (CIMCA-IAWTIC’05)


Refbacks

  • There are currently no refbacks.