Metode NNGE (Nearest Neighbor with Generalized Exemplar) merupakan modifikasi dari metode NN yang membentuk hyperrectangle dari kumpulan node yang berada dalam kelas yang sama. Metode NN sendiri telah mengalami pengembangan menjadi k-NN dengan nilai k>1, yang telah terbukti dapat mengurangi pengaruh noise dengan memprediksi kelas dari instance berdasarkan nilai k tetangga terdekat.
Tugas akhir yang ditulis oleh Onasis dengan pembimbing Pak Dhinta dan saya ini mengangkat metode k-NNGE yang merupakan pengembangan dari NNGE untuk mengatasi pengaruh noise pada data.
Noise yang menjadi obyek pelengkap penelitian ini dapat dibedakan menjadi 3 macam: missing attribute, irrelevant attribute, dan outlier. NNGE terbukti dapat menangani pengaruh dari ketiga jenis noise tersebut, bahkan gabungannya. Data pengujian terdiri atas 7 macam:
1. data bersih,
2. data dengan missing attribute,
3. data dengan irrelevant attribute,
4. data dengan outlier,
5. data dengan missing attribute + outlier,
6. data dengan irrelevant attribute + outlier,
7. data dengan variasi prosentase outlier.
Pengujian dengan ketujuh macam data tersebut membuktikan bahwa k-NNGE dapat meningkatkan akurasi dari NNGE dalam noise domain, walaupun tidak sebaik peningkatan akurasi k-NN terhadap NN. Sayangnya hal ini harus dibayar dengan konsumsi waktu yang relatif lebih lama karena NNGE dan k-NNGE harus membangun model berupa hyperrectangle.
No comments:
Post a Comment