Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru

kNN adalah salah satu metode yang popular karena mudah dieksploitasi, generalisasi yang biak, mudah dimengerti, kemampuan beradaptasi ke ruang fitur yang rumit, intuitif, atraktif, efektif, flexibility, mudah diterapkan, sederhana dan memiliki hasil akurasi yang cukup baik. Namun kNN memiliki bebera...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Yuliska Yuliska, Khairul Umam Syaliman
Formato:	article
Lenguaje:	EN
Publicado:	UIR Press 2020
Materias:	akurasi attribute weighting k-nearest neighbor local mean peningkatan Computer software QA76.75-76.765 Information technology T58.5-58.64 Computer engineering. Computer hardware TK7885-7895
Acceso en línea:	https://doaj.org/article/a4382977136540adaf5d13d6d7853d79
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:a4382977136540adaf5d13d6d7853d79
record_format	dspace
spelling	oai:doaj.org-article:a4382977136540adaf5d13d6d7853d792021-11-04T09:51:54ZPeningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru2528-40612528-405310.25299/itjrd.2020.vol5(1).4680https://doaj.org/article/a4382977136540adaf5d13d6d7853d792020-07-01T00:00:00Zhttps://journal.uir.ac.id/index.php/ITJRD/article/view/4680https://doaj.org/toc/2528-4061https://doaj.org/toc/2528-4053kNN adalah salah satu metode yang popular karena mudah dieksploitasi, generalisasi yang biak, mudah dimengerti, kemampuan beradaptasi ke ruang fitur yang rumit, intuitif, atraktif, efektif, flexibility, mudah diterapkan, sederhana dan memiliki hasil akurasi yang cukup baik. Namun kNN memiliki beberapa kelemahan, diantaranya memberikan bobot yang sama pada setiap attribut sehingga attribut yang tidak relevant juga memberikan dampak yang sama dengan attribut yang relevant terhadap kemiripan antar data. Masalah lain dari kNN adalah pemilihan tetangga terdekat dengan system suara terbanyak, dimana system ini mengabaikan kemiripan setiap tetangga terdekat dan kemungkinan munculnya mayoritas ganda serta kemungkinan terpilihnya outlier sebagai tetangga terdekat. Masalah-masalah tersebut tentu saja dapat menimbulkan kesalahan klasifikasi yang mengakibatkan rendahnya akurasi. Pada penelitian kali ini akan dilakukan peningkatan akurasi dari kNN tersebut dalam melakukan klasifikasi terhadap data Index Standar Pencemaran Udara di Pekanbaru dengan menggunakan pembobotan attribut (Attibute Weighting) dan local mean. Adapun hasil dari penelitian ini didapati bahwa metode yang diusulkan mampu untuk meningkatkan akurasi sebesar 2.42% dengan rata-rata tingkat akurasi sebesar 97.09%.Yuliska YuliskaKhairul Umam SyalimanUIR Pressarticleakurasiattribute weightingk-nearest neighborlocal meanpeningkatanComputer softwareQA76.75-76.765Information technologyT58.5-58.64Computer engineering. Computer hardwareTK7885-7895ENIT Journal Research and Development, Vol 5, Iss 1, Pp 11-18 (2020)
institution	DOAJ
collection	DOAJ
language	EN
topic	akurasi attribute weighting k-nearest neighbor local mean peningkatan Computer software QA76.75-76.765 Information technology T58.5-58.64 Computer engineering. Computer hardware TK7885-7895
spellingShingle	akurasi attribute weighting k-nearest neighbor local mean peningkatan Computer software QA76.75-76.765 Information technology T58.5-58.64 Computer engineering. Computer hardware TK7885-7895 Yuliska Yuliska Khairul Umam Syaliman Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru
description	kNN adalah salah satu metode yang popular karena mudah dieksploitasi, generalisasi yang biak, mudah dimengerti, kemampuan beradaptasi ke ruang fitur yang rumit, intuitif, atraktif, efektif, flexibility, mudah diterapkan, sederhana dan memiliki hasil akurasi yang cukup baik. Namun kNN memiliki beberapa kelemahan, diantaranya memberikan bobot yang sama pada setiap attribut sehingga attribut yang tidak relevant juga memberikan dampak yang sama dengan attribut yang relevant terhadap kemiripan antar data. Masalah lain dari kNN adalah pemilihan tetangga terdekat dengan system suara terbanyak, dimana system ini mengabaikan kemiripan setiap tetangga terdekat dan kemungkinan munculnya mayoritas ganda serta kemungkinan terpilihnya outlier sebagai tetangga terdekat. Masalah-masalah tersebut tentu saja dapat menimbulkan kesalahan klasifikasi yang mengakibatkan rendahnya akurasi. Pada penelitian kali ini akan dilakukan peningkatan akurasi dari kNN tersebut dalam melakukan klasifikasi terhadap data Index Standar Pencemaran Udara di Pekanbaru dengan menggunakan pembobotan attribut (Attibute Weighting) dan local mean. Adapun hasil dari penelitian ini didapati bahwa metode yang diusulkan mampu untuk meningkatkan akurasi sebesar 2.42% dengan rata-rata tingkat akurasi sebesar 97.09%.
format	article
author	Yuliska Yuliska Khairul Umam Syaliman
author_facet	Yuliska Yuliska Khairul Umam Syaliman
author_sort	Yuliska Yuliska
title	Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru
title_short	Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru
title_full	Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru
title_fullStr	Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru
title_full_unstemmed	Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru
title_sort	peningkatan akurasi k-nearest neighbor pada data index standar pencemaran udara kota pekanbaru
publisher	UIR Press
publishDate	2020
url	https://doaj.org/article/a4382977136540adaf5d13d6d7853d79
work_keys_str_mv	AT yuliskayuliska peningkatanakurasiknearestneighborpadadataindexstandarpencemaranudarakotapekanbaru AT khairulumamsyaliman peningkatanakurasiknearestneighborpadadataindexstandarpencemaranudarakotapekanbaru
_version_	1718444919364780032

Peningkatan Akurasi K-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru

Ejemplares similares