PERBANDINGAN RAPID CENTROID ESTIMATION (RCE) — K NEAREST NEIGHBOR (K-NN) DENGAN K MEANS — K NEAREST NEIGHBOR (K-NN)
ABSTRACT: Teknik Clustering
terbukti dapat meningkatkan akurasi dalam melakukan klasifikasi, terutama pada
algoritma K-Nearest Neighbor (K-NN). Setiap data dari setiap kelas akan
membentuk K cluster yang kemudian nilai centroid akhir dari setiap cluster pada
setiap kelas data tersebut akan dijadikan data acuan untuk melakukan proses
klasifikasi menggunakan algoritma K-NN. Namun kendala dari banyaknya teknik
clustering adalah biaya komputasi yang mahal, Rapid Centroid Estimation (RCE)
dan K-Means termasuk kedalam teknik clustering dengan biaya komputasi yang
murah. Untuk melihat manakah dari kedua algoritma ini (RCE dan K-Means) yang
lebih baik memberikan peningkatan akurasi pada algoritma K-NN maka, pada
penelitian ini akan mencoba untuk membandingkan kedua algoritma tersebut. Hasil
dari penelitian ini adalah gabungan RCE—K-NN memberikan hasil akurasi yang
lebih baik dari K-Means—K-NN pada data set iris dan wine. Namun dalam perubahan
nilai akurasi RCE—K-NN lebih stabil hanya pada data set iris. Sedangkan pada
data set wine, K-Means—K-NN terlihat mendapati perubahan akurasi yang lebih
stabil dibandingkan RCE—K-NN.
Penulis: Khairul Umam
Syaliman, M. Zulfahmi, Aldi Abdillah Nababan
Kode Jurnal: jptinformatikadd170474
