WEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR

Eko Prasetyo, Rifki Fahrial Zainal, Harunur Rosyid

Abstract


Algoritma klasifikasi berbasis K-Nearest Neighbor (KNN) mempunyai banyak variasi, seperti Template Reduction K-NN, Support Vector K-NN, dan K-Support Vector NN. Semuanya berusaha untuk memperbaiki kinerja K-NN, baik dari sisi akurasi prediksi,maupun waktu prediksi. Tetapi untuk hal tersebut memang harus dibayar dengan adanya waktu yang harus dialokasikan untuk pelatihan, sedangkan K-NN klasik tidak melakukan pelatihan sama sekali. Dalam makalah ini dipaparkan hasil penelitian berupa metode Weight KSupport Vector Nearest Neighbor (WK-SVNN) yang berusaha untuk meningkatkan akurasi prediksi dan mengurangi waktu pelatihan dan prediksi yang digunakan. Hasilnya, WK-SVNN membutuhkan waktu prediksi yang paling lama, tetapi berhasil meningkatkan akurasi prediksinya dibanding semua metode pembanding.

Full Text:

PDF

References


Angiulli, F., 2007. Fast Nearest Neighbor Condensation for Large Data Sets Classification, IEEE Transaction Knowledge and Data Engineering, Vol. 19, No. 11, pp. 1450-1464

Dhanabal, S., Chandramathi, S., 2011. A Review of various k-Nearest Neighbor Query Processing Techniques, International Journal of Computer Applications (0975 – 8887), Vol. 31, No.7, pp.14-22.

Fayed, H.A., Atiya, A.F., 2009. A Novel Template Reduction Approach for the K-Nearest Neghbor Method. IEEE Transaction on Neural Network, 20(5), pp.890-896.

Prasetyo, E. 2012. K-Support Vector Nearest Neighbor untuk Klasifikasi Berbasis K-NN, Jurusan Sistem Informasi ITS, Seminar Nasional Sistem Informasi Indonesia. Surabaya, 3 Nopember 2012, ITS Press: Surabaya

Srisawat, A., Phienthrakul, T., Kijsirikul, B., 2006. SV-KNNC: An Algorithm for Improving the Efficiency of K-Nearest Neighbor. In: Qiang Yang, Geoffrey I. Webb. The 09th Pacific Rim International Conference on Artificial Intelligence (PRICAI-2006). Guilin, China, 7-11 August 2006. Springer-Verlag Berlin Heidelberg.

Tan, P., Steinbach, M., Kumar, V., 2006. Introduction to Data Mining, 1st Ed, Pearson Education: Boston San Fransisco New York

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


Refbacks

  • There are currently no refbacks.