K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI
Teks penuh
Gambar
Dokumen terkait
Hal ini menjelaskan bahwa teknik optimasi Algoritma Genetika pada kNN-GA dapat meningkatkan kinerja metode kNN dengan melakukan seleksi variabel dan optimasi nilai k
Penelitian ini bertujuan untuk menangani missing value pada data hepattis atribut albumin dengan menggunakan imputasi K- Nearest Neighbor (KNN).. Cara kerja dari KNN ialah
Sedangkan tahapan selanjutnya pada gabungan LMKNN dan DWKNN adalah menghitung nilai rata-rata bobot dari jarak tetangga terdekat sebanyak K dari setiap kelas
Tahapan perhitungan algoritme MK-NN yaitu menghitung jarak antar data latih, menghitung nilai validitas data latih, menghitung jarak antara data latih dengan data uji, dan
Sedangkan, kelemahan KNN adalah KNN perlu menentukan nilai dari parameter k (jumlah dari tetangga terdekat), training berdasarkan jarak tidak jelas mengenai jenis jarak
Tentukan nilai dari k , dimana k adalah jumlah data pelatihan dengan jarak. terdekat yang digunakan sebagai pembanding dalam mengklasifikasikan
Penelitian tersebut menggunakan metode Mean yaitu melakukan imputasi missing data dengan menggunakan nilai rata-rata dari beberapa data yang telah ada.. Selain itu
6 Confusion matrix data oversampling duplikasi untuk data uji ke-7 18 7 Nilai precision data oversampling acak dengan 1 tetangga terdekat 18 8 Confusion matrix
