OPTIMASI PARAMETER K PADA ALGORITMA
K-NEAREST NEIGHBOR MENGGUNAKAN ALGORITMA
GENETIKA UNTUK KLASIFIKASI PEMBERIAN OBAT
Total View This Week0
Total View This Week0
Institusion
STMIK Akakom
Author
GRACYA, ARDINA SURYA - 185410118
Subject
Algoritma
Datestamp
2022-07-27 04:00:01
Abstract :
Klasifikasi merupakan pengelompokan yang dilakukan secara sistematis pada objek-objek ke dalam kategori-kategori tertentu berdasarkan kesamaan karakteristik yang dimiliki. Untuk melakukan klasifikasi terdapat beberapa algoritma yang dapat digunakan. Salah satu algoritma yang sering digunakan dalam klasifikasi adalah algoritma K-Nearest Neighbor, karena algoritma tersebut mudah untuk dipahami dan diterapakan, dapat digunakan pada data yang memiliki banyak kelas, serta efektif digunakan untuk data berukuran besar. Namun, algoritma ini juga memiliki kelemahan pada penentuan parameter K yang bias sehingga berdampak pada berkurangnya tingkat akurasi yang dihasilkan. Oleh karena itu, pada penelitian ini dilakukan optimasi parameter K menggunakan algoritma genetika. Data yang digunakan pada penelitian ini adalah dataset obat tahun 2018 yang bersumber dari platform Kaggle. Jumlah keseluruhan dari dataset tersebut adalah sebanyak 200 record data dengan 150 data digunakan untuk data latih dan 50 data digunakan untuk data uji. Keseluruhan data tersebut akan diklasifikasi ke dalam lima kategori, yaitu kategori obat A, obat B, obat C, obat X, dan obat Y. Pengklasifikasian tersebut dilakukan berdasarkan lima kriteria, yaitu jenis kelamin, usia, tekanan darah, kolesterol, dan natrium kalium. Hasil akurasi terbaik yang didapatkan dari klasifikasi KNN teroptimasi adalah 84% dengan parameter K=1. Akurasi tersebut sama dengan hasil pencarian KNN tanpa optimasi dengan menggunakan parameter K dari rentang nilai 1 sampai 5 yang menghasilkan akurasi terbaik adalah ketika parameter K=1. Kata Kunci: algoritma genetika, klasifikasi, k-nearest neighbor, obat, optimasi
Klasifikasi merupakan pengelompokan yang dilakukan secara sistematis pada objek-objek ke dalam kategori-kategori tertentu berdasarkan kesamaan karakteristik yang dimiliki. Untuk melakukan klasifikasi terdapat beberapa algoritma yang dapat digunakan. Salah satu algoritma yang sering digunakan dalam klasifikasi adalah algoritma K-Nearest Neighbor, karena algoritma tersebut mudah untuk dipahami dan diterapakan, dapat digunakan pada data yang memiliki banyak kelas, serta efektif digunakan untuk data berukuran besar. Namun, algoritma ini juga memiliki kelemahan pada penentuan parameter K yang bias sehingga berdampak pada berkurangnya tingkat akurasi yang dihasilkan. Oleh karena itu, pada penelitian ini dilakukan optimasi parameter K menggunakan algoritma genetika. Data yang digunakan pada penelitian ini adalah dataset obat tahun 2018 yang bersumber dari platform Kaggle. Jumlah keseluruhan dari dataset tersebut adalah sebanyak 200 record data dengan 150 data digunakan untuk data latih dan 50 data digunakan untuk data uji. Keseluruhan data tersebut akan diklasifikasi ke dalam lima kategori, yaitu kategori obat A, obat B, obat C, obat X, dan obat Y. Pengklasifikasian tersebut dilakukan berdasarkan lima kriteria, yaitu jenis kelamin, usia, tekanan darah, kolesterol, dan natrium kalium. Hasil akurasi terbaik yang didapatkan dari klasifikasi KNN teroptimasi adalah 84% dengan parameter K=1. Akurasi tersebut sama dengan hasil pencarian KNN tanpa optimasi dengan menggunakan parameter K dari rentang nilai 1 sampai 5 yang menghasilkan akurasi terbaik adalah ketika parameter K=1. Kata Kunci: algoritma genetika, klasifikasi, k-nearest neighbor, obat, optimasi
File :
1_185410118_HALAMAN_DEPAN - ardina surya.pdf
2_185410118_BAB_I - ardina surya.pdf
3_185410118_BAB_2 - ardina surya.pdf
4_185410118_BAB_3 - ardina surya.pdf
5_185410118_BAB_4 - ardina surya.pdf
6_185410118_BAB_5 - ardina surya.pdf
7_185410118_DAFTAR_PUSTAKA - ardina surya.pdf
8_185410118_CARA_MENJALANKAN_PROGRAM - ardina surya.pdf
9_185410118_LISTING_PROGRAM - ardina surya.pdf
10_185410118_LAMPIRAN - ardina surya.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
