On a Special Case of the Generalized Neighbourhood Problem (original) (raw)

Analisis Metoda Nearest Neighbour with Generalised Exemplar Pada Noise Domain

2008

Nearest Neighbour merupakan metode klasifikasi dalam data mining yang memiliki performansi yang baik khususnya pada data set yang bersih, tetapi metode NN kurang bekerja dengan baik pada data yang mengandung noise. Untuk menangani data yang mengandung noise metode NN dapat diperbaiki kinerjanya dengan menjadi metode k-NN, dimana metode k-NN menggunakan nilai k didalamnya yang berguna untuk proses voting. Metode NN dapat diperluas menjadi metode Nearest Neigbour With Generalised Exemplar (NNGE) yaitu metode NN yang memperkenalkan konsep hyperractangle pada algoritmanya. Metode NNGE dapat bekerja dengan baik pada data set yang bersih dari noise terutama pada data yang berukuran besar, akan tetapi jika pada data yang mengandung noise didalamnya metode NNGE kurang dapat bekerja dengan baik karena pada metode NNGE tidak mengijinkan adanya konflik pada saat pembentukan rectangle. Tugas Akhir ini akan melakukan penelitian bagaimana jika metode k-NN dimasukan ke dalam metode NNGE yang selanjutnya disebut metode k-NNGE. Hasil dari penelitian ini menunjukan bahwa perubahan dari metode NNGE ke metode k-NNGE mengalami peningkatan akurasi pada noise domain, akan tetapi jika dibandingkan dengan peningkatan akurasi dari metode NN ke metode k-NN pada noise domain, maka peningkatan akurasi metode NNGE ke metode k-NNGE tidak sebaik peningkatan akurasi dari metode NN ke metode k-NN Kata Kunci : noise domain, NNGE, k-NNGE Abstract Nearest Neighbour is a classification method in data maining that have been known to have an acceptable performance in a clean datasets, but doesn't works very well when implemented in noisy domain. Neverheless NN can be upgraded to have a better performance in noisy domains, this is known as k-NN method, this is done with the introduction of the k value that helps in the voting process. NN can be extended to a method called Nearest Neighbour With Generalised Exemplar (NNGE) that is basicly a NN with the incorporation of hyperrectangle concept in the algorithm. Just like NN, NNGE works well with a clean dataset, but performs poorly in a set with noisy domain, this is due that NNGE doesn't compromise conflict in the rectangle forming process. This paper deals with the research of the incorporation of the k-NN into NNGE, later known as the k-NNGE. The outcome of the research shows that the k-NNGE indeed have better accuracy in noisy domain than NNGE, but then compared with the increase in accuracy from NN to k-NN in noisy domain, the increase in accuracy on NNGE to k-NNGE is not as good as the increase in accuracy on NN to k-NN.

Penerapan K-Nearest Neighbour dalam Penerimaan Peserta Didik dengan Sistem Zonasi

JURNAL SISTEM INFORMASI BISNIS, 2019

Admission of new students is a routine activity at the beginning of each new meeting year in all formal educational institutions. At the moment the acceptance of new students uses the zoning system and has been regulated by Permendikbud No. 20 in 2019. This zoning system will accept students where their residence enters through the user area with the school environment. With this Permendikbud the government hopes that there will be an evenness in the quality of education in all schools, so that schools will no longer get the title of superior and non-superior schools. But in a system, the zoning improves anxieties in the school environment. This research supports to help the participating school students will be accepted in accordance with the provisions of the Ministry of Education and Culture. In overcoming problems that arise in the school environment there needs to be a system that can overcome that problem. In this study using the K-Nearest Neighbor (K-NN) method. Where the K-N...

Nearest Neighbors dan Decision Tree C4.5

2020

Blood donation is a process of taking blood from donors that is declared feasible, in terms of various factors including age, weight, blood pressure, hemoglobin levels, and donor status which are taken into consideration during the feasibility test. This study was conducted to find the most appropriate method with high accuracy and Area Under Curve (AUC) values using 3710 blood donor datasets from the Bekasi City PMI, processed using the Naïve Bayes algorithm method, K-Nearest Neighbors and Decision Tree C4.5. The analysis shows that the Decision Tree C4.5 algorithm shows higher accuracy of 93.83% compared to Naïve Bayes algorithm which shows an accuracy value of 85.15% and the K-Nearest Neighbors algorithm with an accuracy value of 84.10%. In addition to these values, Decision Tree C4.5 is also visually superior where the Decision Tree has an output model tree that shows attribute relationships and has an AUC value of 0.978, Naïve Bayes with an AUC value of 0.927 and K-Nearest Neig...

Assessment Greenship Neighborhood Versi 1.0 Pada Perumahan Menggunakan Logika Fuzzy

CIVED

Greenship neighborhood merupakan salah satu sertifikasi greenship yang dicanangkan oleh Green Building Council Indonesia yang menilai greenship untuk kawasan. Penerapan greenship neighborhood masih tergolong baru diantara sertifikasi greenship yang lain. Hal ini dibuktikan dengan belum adanya kawasan yang tersertifikasi greenship neihborhood. Tujuan dari penelitian ini adalah untuk menilai peringkat yang diperoleh Perumahan Kaliurang Green Garden, Kabupaten Jember yang nantinya dilakukan perencanaan peningkatan untuk mencapai peringkat gold. Penilaian dilakukan dengan menggunakan kuesioner dan wawancara kepada pihak pengembang. Hasil tersebut kemudian diolah menggunakan metode logika fuzzy melalui aplikasi MatLab yang mengacu pada panduan Greenship Neighborhood versi 1.0. Hasil MatLab menunjukkan Perumahan Kaliurang Green Garden belum mendapat peringkat greenship. Berdasarkan hasil tersebut kemudian dilakukan peningkatan untuk mencapai peringkat gold. Setelah dilakukan upaya peningk...

Penerapan Algoritma Nearest Neighbour untuk Menyelesaikan Travelling Salesman Problem

2018

Traveling Salesman Problem (TSP) is a problem that has gained much attention from researchers in the field of computer science and mathematics. Many algorithms have been introduced to solve this TSP problem. The solution to be obtained is the optimal solution in the sense of getting the shortest route that can be used to visit all points once only then back to the starting point of the journey. This paper discusses the application of one of the algorithms to obtain solutions for TSP problems, ie Nearest Neighbors (NN) algorithm. The application of the NN algorithm to solve TSP problems proved to be efficient even though there is no guarantee that the solution provided is the most optimal solution .

IMPLEMENTASI ALGORITMA NEAREST NEIGHBOR DAN NEAREST FEATURE DI INDONESIA

Algoritma merupakan kumpulan perintah untuk menyelesaikan suatu masalah. Algoritma juga memiliki pengulangan proses (iterasi), dan juga memiliki keputusan hingga keputusan selesai. Algortima nearest neightbor atau KNN adalah sebuah metode klasifikasi terhadap sekumpulan data berdasarkan pembelajaran data yang sudah terklasifikasikan sebelumya.

IMPLEMENTASI ALGORITMA NEAREST FEATURE

ABSTRAK Sistem pengenalan wajah yang baik adalah sistem yang mampu mengatasi variasi yang timbul saat pengambilan citra wajah. Variasi ini bisa berupa ekspresi wajah, aksesoris yang dipakai, tingkat pencahayaan dan arah pengambilan citra. Variasi tersebut akan ditangkap oleh garis-garis maya yang dibuat dari setidaknya dua prototype dalam sebuah kelas. Garis maya tersebut akan mengeneralisasi variasi yang mungkin terjadi dari kedua prototype. Proses identifikasi wajah akan dilakukan dengan mencari jarak terpendek antara wajah yang akan dikenali dengan semua variasi hasil ekstrapolasi dan interpolasi prototype pada tiap kelas. Implementasi dari metode ini bisa mencapai tingkat akurasi lebih dari 90% dengan waktu eksekusi 0.5 detik pada kondisi optimal. Kata Kunci : pengenalan wajah, eigenface, principal component analysis, nearest feature line, nearest feature midpoint 1. Pendahuluan Pengenalan wajah adalah salah satu bidang kaji dalam pengenalan pola yang selalu mengalami pengembangan. Kehandalan sebuah metode bisa dilihat dari proses perhitungan dengan biaya minimal dan hasil perhitungan dengan tingkat kesalahan yang relatif kecil. Sebuah sistem pengenalan wajah yang handal harus tetap bisa bekerja dan mampu menangani masukan citra wajah dengan berbagai variasi terutama dalam sudut pengambilan, ekspresi, pencahayaan dari citra yang dijadikan masukan. Dari ketiga variasi tersebut, variasi wajah yang sama dalam pencahayaan dan sudut pan-dang pada saat pengambilan citra biasanya jauh lebih besar dari pada ekspresi wajah yang sama. Nearest Feature Midpoint (NFM) adalah salah satu metode dalam pengenalan wajah yang dinyatakan sebagai metode perbaikan dari pengenalan wajah dengan metode Nearest Feature Line (NFL) [1]. Diharapkan dengan menggunakan metode ini bisa dibangun sebuah Aplikasi pengenalan wajah yang relatif lebih baik dibandingkan dengan metode NFL. Secara umum, klasifikasi menggunakan NFL dan NFM dilakukan dengan mencari jarak minimum antara feature point yang di-query-kan (wajah yang akan dikenali) dengan semua feature line yang ada [1]. Feature line adalah garis virtual yang menghubungkan dua prototype dalam sebuah kelas (satu orang) sedangkan feature midpoint adalah titik tengah antara dua prototype dalam sebuah kelas yang sama. Dengan demikian, perbendaharaan wajah akan diperbanyak dengan melakukan ekstrapolasi atau interpolasi feature point pada tiap feature line yang ada dalam feature space [2]. Untuk melakukan klasifikasi berbasis feature line ini, sebagai representasi awal dari citra akan digunakan metode pembentukan eigenface. Secara umum dengan membentuk eigenface space, dimensi-dimensi yang kurang signifikan dalam citra wajah akan direduksi sehingga hanya menyisakan dimensi yang penting saja. Pembentukan eigenface space tidak lepas dari penggunaan Principal Component Analysis (PCA) sebagai alat pereduksi dimensi.