Analisis Perbandingan Algoritma SVM Dan KNN Untuk Klasifikasi Anime Bergenre Drama

Abstract

Terdapat banyak genre anime seperti drama, aksi, romansa, komedi, dan lain sebagainya. Namun, dikarenakan genre anime itu banyak, penonton cukup kesulitan untuk mencari anime yang genrenya mereka sukai seperti genre drama yang menceritakan kehidupan manusia sehari-hari yang sifatnya cukup ringan. Dari permasalahan tersebut, maka dibutuhkan suatu metode klasifikasi untuk mengklasifikasikan  anime yang tergolong ke dalam genre drama. Klasifikasi dalam data mining merupakan metode yang umum, suatu objek yang sebelumnya belum diketahui kelas/labelnya dapat melalui metode klasifikasi agar kelasnya dapat diperkirakan [7]. Klasifikasi memiliki beberapa algoritma diantaranya Support Vector Machine (SVM) dan K-Nearest Neighbors (KNN). Penggunaan algoritma SVM dan KNN telah banyak digunakan dan tingkat akurasinya yang baik. Dalam penelitian ini akan menganalisa perbandingan diantara kedua algoritma tersebut pada dataset yang digunakan berjumlah 12.294 data dan 2 kelas genre yaitu drama dan non drama, atribut dataset anime berjumlah 7. Hasil penelitian ini, menunjukkan bahwa algoritma dengan K-Nearest Neighbors (KNN) yang menghasilkan nilai akurasi training sebesar 100% dan nilai akurasi testing sebesar 84%. Dan juga hasil dari algoritma Support Vector Machine (SVM)menghasilkan nilai akurasi training sebesar 83% dan nilai akurasi testing sebesar 82%. Hasil nilai akurasi kedua algoritma tersebut menunjukkan bahwa algoritma K-Nearest Neighbors (KNN) memiliki akurasi testing yang lebih baik dari Support Vector Machine (SVM) dengan selisih keduanya cukup tipis.