Algoritma KNN Dengan Penyeleksian Tetangga Berbasis Harmonic Mean dan Local mean vector

Abstract

Algoritma K Nearest Neighbour (KNN) merupakan salah satu algoritma klasifikasi yang telah digunakan pada banyak penelitian, namun KNN memiliki beberapa kekurangan diantaranya adalah pada pemilihan jumlah tetangga terdekat. Jika jumlah tetangga terdekat terlalu kecil maka akan sensitif terhadap data bising dan jika jumlah tetangga terdekat terlalu besar kemungkinan ada tetangga outlier dari kelas lain. Majority Voting juga merupakan metode yang sederhana dan ini bisa jadi masalah jika jarak bervariasi. Salah satu solusi untuk masalah outlier adalah menggunakan Local Mean Vector dengan menambahkan Harmonic Mean untuk membantunya. Penelitian ini akan menyeleksi tetangga yang didapatkan menggunakan Local Mean Vector dan Harmonic Mean sehingga tersisa tetangga terakhir. Dari hasil yang didapatkan yaitu pada KNN menggunakan Majority Voting mendapatkan akurasi sebesar 0,752998731, dan KNN dengan Penyeleksian Tetangga berdasarkan Local Mean Vector dan Harmonic Mean mendapatkan akurasi yang lebih besar yaitu 0,780791833.