• Tidak ada hasil yang ditemukan

Pengaruh Seleksi Fitur Information Gain pada K-Nearest Neighbor untuk Klasifikasi Tingkat Kelancaran Pembayaran Kredit Kendaraan

N/A
N/A
Info
Unduh - Bebas
Protected

Academic year: 2021

Membagikan "Pengaruh Seleksi Fitur Information Gain pada K-Nearest Neighbor untuk Klasifikasi Tingkat Kelancaran Pembayaran Kredit Kendaraan"

Copied!
7
0
0

Memuat.... (Lihat teks lengkap sekarang)

Unduh sekarang ( 7 Halaman )

Teks penuh

Gambar

Gambar 1. Diagram Alir Proses Information Gain
Gambar 2. Diagram Alir Proses K-Nearest Neighbor
Gambar 4. Grafik Hasil Pengujian Sebaran Kelas Tidak Seimbang Skenario 1
Tabel 1 dan Tabel 2 memperlihatkan bahwa dengan dilakukannya penyaringan fitur menggunakan Information Gain memberikan hasil akurasi yang cukup baik jika dibandingkan tanpa adanya seleksi fitur Information Gain

Referensi

Unduh sekarang ( PDF - 7 Halaman - 345.85 KB )

Dokumen terkait

KLASIFIKASI STATUS KESEJAHTERANAAN RUMAH TANGGA MENGGUNAKAN ALGORITMA K – NEAREST NEIGHBOR DAN SELEKSI FITURE BERBASIS CHI SQUARED

Melakukan klasifikasi K-Nearest Neighbor tanpa seleksi atribut dapat diketahui hasil sehingga dapat dibandingkan di mana kategori 1 menunjukkan kategori

Klasifikasi Jenis Bawang Menggunakan Metode K-Nearest Neighbor Berdasarkan Ekstraksi Fitur Bentuk dan Tekstur

Metode penelitian yang digunakan dalam penelitian ini adalah metode K-Nearest Neighbor (KNN) berdasarkan ekstraksi fitur bentuk dan tekstur, yang dapat dilihat pada langkah

Klasifikasi Penyakit Infeksi Saluran Pernapasan Akut (ISPA) dengan menerapkan Metode Fuzzy K-Nearest Neighbor

Pada metode Fuzzy K-nearest neighbor terdapat dua kelebihan yang didapat jika dibandingkan dengan algoritme K-nearest neighbor, yaitu dapat memberikan pertimbangan

Ukuran Akurasi Klasifikasi Penyakit Mesothelioma Menggunakan Algoritma K-Nearest Neighbor dan Backward Elimination

Sedangkan untuk hasil klasifikasi algoritma K-Nearest Neighbor setelah dilakukan seleksi fitur menggunakan Backward Elimination menunjukan peningkatan akurasi sebesar

KOMBINASI MEDIAN WEIGHTED INFORMATION GAIN DENGAN K-NEAREST NEIGHBOR PADA DATASET LABEL MONTHS SOFTWARE EFFORT ESTIMATION

Kombinasi yang di usulkan yaitu metode seleksi fitur Weighted Information Gain (WIG) dengan menggunakan kriteria (threshold) median dengan algoritma k-NN untuk

Klasifikasi Dokumen Menggunakan Metode k-Nearest Neighbor (kNN) dengan Information Gain Document Classification using k-Nearest Neighbor (kNN) Method with Information Gain

Berdasarkan hasil dari seluruh percobaan diatas, maka metode KNN tanpa Information Gain memiliki rata-rata nilai akurasi yaitu sebesar 93,94438% pada seluruh dokumen

Peningkatan Akurasi Metode K-Nearest Neighbor dengan Seleksi Fitur Symmetrical Uncertainty

KESIMPULAN Berdasarkan dari pengujian yang dilakukan serta diperoleh hasil evaluasi terhadap metode yang diusulkan untuk meningkatkan akurasi pada K-Nearest Neighbor dengan seleksi