PROTOTYPE GENERATION BERDASARKAN GEOMETRIC MEAN UNTUK DATA REDUCTION PADA ALGORITMA K NEAREST NEIGHBOUR

Abstract

Algoritma KNN merupakan salah satu algoritma klasifikasi yang populer, tetapi KNN memiliki beberapa kekurangan diantaranya yaitu, setiap objek baru yang akan diklasifikasikan akan dihitung jaraknya dengan semua training set (data latih) yang menyebabkan memory cost dan computational cost yang tinggi. Salah satu solusi untuk permasalahan tersebut iyalah data reduction, yaitu dengan cara mengurangi jumlah training set. Pada penelitian ini, akan dilakukan reduksi dataset menggunakan Geometric Mean dengan membagi dataset menjadi partisi terlebih dahulu lalu menjadi Geometric Mean dari tiap partisi tersebut. Dari hasil pengurangan dataset tersebut, Prototype generation berdasarkan Geometric Mean bisa mendapatkan nilai akurasi yang lebih tinggi pada beberapa dataset sebesar 0,967772215 dibandingkan KNN tanpa data reduksi sebesar 0,963078849, dan pada dataset lainnya dapat mengimbangi akurasi KNN tanpa dataset reduksi