| Abstrak |
KLASIFIKASI DATA BERBASIS K-NEAREST NEIGHBOR (KNN) ADALAH PROSES MENGKLASIFIKASIKAN DATA KE DALAM BEBERAPA KELAS BERDASARKAN TETANGGA TERDEKAT DENGAN SKEMA MAJORITY VOTING (SUARA TERBANYAK) SESUAI DENGAN LABEL YANG TELAH DIKETAHUI. KNN MERUPAKAN METODE YANG SANGAT SEDERHANA, MUDAH DAN MURAH DIIMPLEMENTASIKAN, SEHINGGA BANYAK DIGUNAKAN DALAM BIDANG ARTIFICIAL INTELLIGENCE (AI), MACHINE LEARNING (ML), DATA MINING (DM), DAN DATA SCIENCE (DS). SAYANGNYA, SECARA UMUM KNN MEMILIKI AKURASI KURANG TINGGI, TERUTAMA UNTUK HIMPUNAN DATA YANG MENGANDUNG BANYAK DERAU (NOISES) ATAU PENCILAN (OUTLIERS). PULUHAN VARIAN KNN TELAH DIUSULKAN OLEH PARA AHLI, NAMUN AKURASI YANG DIHASILKAN MASIH KURANG TINGGI UNTUK DATA BERDERAU. SATU VARIAN YANG MEMBERIKAN AKURASI CUKUP TINGGI ADALAH LOCAL MEAN-BASED PSEUDO NEAREST NEIGHBOR (LMPNN). TETAPI, LMPNN MEMPUNYAI SATU KELEMAHAN UTAMA, YANG BERUPA ASUMSI BAHWA SETIAP KELAS HANYA MEMILIKI SATU KLASTER SEHINGGA MEMUNGKINKAN ADANYA BIAS PADA PERHITUNGAN TOTAL JARAK RATA-RATA LOKAL K PSEUDO NEAREST NEIGHBORS TERHADAP QUERY (DATA UJI) YANG DIBERIKAN. OLEH KARENA ITU, PADA INVENSI INI DIUSULKAN VARIAN BARU YANG DIBERI NAMA MULTI-VOTERS MULTI-COMMISSIONS NEAREST NEIGHBOR (MVMCNN). METODE MVMCNN INI MENGASUMSIKAN BAHWA SETIAP KELAS MEMILIKI MINIMAL DUA KLASTER SEHINGGA PERHITUNGAN TOTAL JARAK MENJADI LEBIH LOKAL LAGI. DENGAN KONSEP INI, PERMASALAHAN DERAU ATAU PENCILAN DAPAT DIATASI, KEPUTUSAN AKHIR MVMCNN MENJADI LEBIH AKURAT DIBANDING LMPNN. EVALUASI BERADASARKAN SKEMA SKEMA 10-FOLD CROSS-VALIDATION TERHADAP 30 HIMPUNAN DATA (DATASETS) DARI UCI MACHINE LEARNING HTTPS://ARCHIVE.ICS.UCI.EDU/ML/INDEX.PHP MENUNJUKKAN BAHWA MVMCNN MEMBERIKAN AKURASI LEBIH TINGGI DIBANDING KNN MAUPUN LMPNN. SELAIN ITU, MVMCNN TERBUKTI LEBIH STABIL DIBANDING KNN MAUPUN LMPNN, DI MANA NILAI K TIDAK TERLALU SENSITIF UNTUK 30 DATASETS. |
