PENGARUH REDUKSI DIMENSI MENGGUNAKAN ALGORITMA GENETIKA TERHADAP HASIL PENGKLASIFIKASIAN ALGORITMA K-NEAREST NEIGHBOR DAN MODIFIED K-NEAREST NEIGHBOR
Daftar Isi:
- Algoritma klasifikasi k-Nearest Neighbor (kNN) mempunyai banyak kelemahan, salah satu kelemahan ini dapat diatasi oleh algoritma pengembangan dari kNN yaitu Modified k-Nearest Neighbor (MkNN) dimana MkNN dapat mengatasi masalah outlier pada kNN biasa. Namun, disisi lain kNN masih menyisakan beberapa kelemahan seperti memerlukan biaya komputasi dan memori yang besar dalam penerapannya, lebih baik menggunakan seluruh fitur atau sebagiannya saja sedangkan diketahui bahwa performa dari kNN ini ternyata kurang baik dalam menghadapi kutukan dimensi. Dari sini muncul pertanyaan, apakah reduksi dimensi dengan seleksi fitur menggunakan algoritma genetika mempunyai pengaruh yang dapat mengatasi kelemahan-kelemahan tersebut. Apalagi diketahui bahwa seleksi fitur berefek langsung dengan penurunan waktu pemrosesan algoritma data mining, meningkatkan performa dalam melakukan klasifikasi dan juga hasil yang lebih mudah dipahami. Untuk mengetahui pengaruh dari reduksi dimensi ini, metode akan diujikan pada 3 dataset yaitu dataset LSVT Voice Rehabilitation, Wisconsin prognosis breast cancer, dan HCC Survival. Dari hasil penelitian menunjukkan bahwa reduksi dimensi dengan algoritma genetika mempunyai pengaruh yang baik terhadap algoritma klasifikasi kNN maupun MkNN bagi setiap data uji, yang ditunjukkan melalui peningkatan tingkat akurasi dengan AUC, dan menurunnya waktu komputasi dan memori yang digunakan.